（2）复杂度分析

事后统计法

将代码跑一遍，通过统计、监控，就能得到算法执行的时间和占用的内存大小。

但是这种方法有非常大的局限性

1. 测试结果非常依赖测试环境；
2. 测试结果受数据规模的影响很大；

大O复杂度表示法

算法的执行效率，粗略的讲，就是算法代码执行的时间。

T(n)=O(f(n))

T(n)表示代码执行的时间；n表示数据规模的大小；f(n)表示每行代码执行的次数总和；O表示代码的执行时间T(n)与f(n)表达式成正比。

大O时间复杂度表示法表示代码执行时间随数据规模增长的变化趋势。

时间复杂度分析

• 只关注循环执行次数最多的一段代码
• 加法法则：总复杂度等于量级最大的那段代码的复杂度
• 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

几种常见时间复杂度

可粗略的分为 多项式量级 和 非多项式量级 。下划线表示 非多项式量级。

最好情况时间复杂度

在最理想的情况下，执行这段代码的时间复杂度。

最坏情况时间复杂度

在最糟糕的情况下，执行这段代码的时间复杂度。

平均情况时间复杂度

该情况也叫做加权平均时间复杂度，引入概率问题进行复杂度计算。

均摊时间复杂度

对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，就可以将这一组操作放在一块儿分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度就等于最好情况时间复杂度。