数据结构与算法——时间复杂度

复杂度用于衡量程序的运行效率，复杂度是一个关于数据量n的函数，一般用大O表示法来表示运行的量级，常见的时间复杂度有O(1)、O(logn)、O(n)、O(n²)、O（n³）、O(2ⁿ)、O(n!)。

大O表示法表示的复杂度与常系数无关，比如计算后复杂度为O(n)和O(2n)的代码，他们的时间复杂度都是O(n)；如果计算后的时间复杂度是多项式级的时间复杂度，那么代码的时间复杂度则以最高次幂为准，比如计算后复杂度为O(n²+n)与O(n²)的两段代码，他们的时间复杂度都是O(n²)；对于O(1)的时间复杂度，O(1)指的是代码通过使用有限的可数的资源就能完成，与输入的数据量n无关。

如何计算时间复杂度？

《算法之美》一书在介绍大O表示法的时候介绍过，大O符号是用来测量算法最坏情况的速记法。大O符号的目的不是使用分钟和秒钟来表示算法的性能，而是方便我们讨论问题的规模和程序的运行时间之间的关系。

大O表示法的关于n的函数的计算为代码运行次数的总和，最终的时间复杂度由最大量级的项确定；

对于分多段的代码，总的代码时间复杂度就等于量级最大的那段代码的时间复杂度；对于嵌套代码，时间复杂度等于嵌套的多段代码的时间复杂度的乘积。

对于一个程序中出现的两个不同规模的代码段，如果不能确定大小，那么在累加的时候不能取其中一个作为时间复杂度，比如两段代码的时间复杂度分别为O(m)和O(n)，且无法比较m和n的大小，那么程序的时间复杂度应为O(n+m)；对于两个无法衡量量级大小的嵌套代码段的复杂度，跟累加的相同&#x