算法的时间复杂度

参考文章：数据结构算法之美

由于算法的设计常常需要我们特别的关注算法的执行时间，所以，我们需要一些方法来估算算法的执行效率。

事后统计法

事后统计法主要在算法完成之后，在以来测试环境和数据的情况下，对算法的效率进行测试，根据算法在不同数据量级下的执行效率来评估算法的总体效率

事后统计法存在很多的局限性：

• 测试结果非常依赖测试环境
• 测试结果受数据规模的影响很大
• 测试数据的设计非常困难

由于事后统计法的局限性，我们需要一个不用具体测试数据和测试环境就能估算出算法执行效率的方法

大 O 复杂度表示法

算法的执行效率，我们可以大致地认为是算法的执行的时间长短。假定一行代码每次执行的时间为单位时间 unit_time，代码执行 n 次，那么执行的总时间就是 n * unit_time。可以看出，代码的执行时间 T(n) 与每行代码的执行次数 n 成正比

我们可以用一个公式表示：T(n) = O(f(n))

其中 Tn 表示代码的执行时间，f(n) 表示每行代码执行的次数总和，O 表示 Tn 与 f(n) 是正比关系

大 O 表示法并不能代表算法真正的执行时间，而是代表 代码执行的时间随数据规模增长的变化趋势 ，所以叫做 渐进时间复杂度，简称 时间复杂度

时间复杂度分析

因