O(1)
O(1) 也就是最低时间复杂度。代表的是一个常量值。也就是说耗时,耗空间与输入数据的大小无关。无论输入数据增大多少倍,耗时是不变的。
相关算法举例:哈希算法(不考虑冲突的情况),无论在数据量多么大,都是 O(1)。
O(n)
O(n) 理解起来也很简单,就是算法的时间复杂度随着数据量的增大几倍,耗时也增大几倍。
常见的算法举例:遍历算法。
O(n^2)
就代表数据量增大 n 倍时,耗时增大 n 的平方倍,这是比线性更高的时间复杂度。比如冒泡排序,就是典型的 O(n^2) 的算法,对 n 个数排序,需要扫描 n × n 次。
O(n^2) 也有人用 O(n²) 表示。这两个表示是一样的。
O(logn)
当数据增大 n 倍时,耗时增大 logn 倍(这里的 log 是以 2 为底的,比如,当数据增大 256 倍时,耗时只增大 8 倍,是比线性还要低的时间复杂度)。二分查找就是 O(logn)的算法,每找一次排除一半的可能,256 个数据中查找只要找 8 次就可以找到目标。
O(nlogn)
O(nlogn) 就是 n 乘以 logn,当数据增大 256 倍时,耗时增大 256*8=2048 倍。这个复杂度高于线性低于平方。归并排序就是 O(nlogn) 的时间复杂度。
常见的时间复杂度有:常数阶 O(1),对数阶 O(log2n),线性阶 O(n),线性对数阶 O(nlog2n),平方阶 O(n2),立方阶 O(n3),…,k 次方阶 O(nk),指数阶 O(2n) 等。我就不一一列举说明了。
常见的算法时间复杂度由小到大依次为: