算法复杂度

1.1  大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

1.2  复杂度计算：

   1. 大 O 这种复杂度表示方法只是表示一种变化趋势。我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一个最大阶的量级就可以了。所以在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了

   2. 加法法则：总复杂度等于量级最大的那段代码的复杂度

   3. 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

1.3 常见的多项式时间复杂度：

   1.  O(1) 常量级时间复杂度

   2. O(logn)、O(nlogn)

   3. 代码的复杂度由两个数据的规模来决定：O(m+n)

 

2.1 空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。常见的空间复杂度就是 O(1)、O(n)、O(n2 )

 

3.1 四种复杂度分析

  最好情况时间复杂度就是，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就是，在最糟糕的情况下，执行这段代码的时间复杂度。

  平均时间复杂度，加入概率因素；又称加权平均时间复杂度或者期望时间复杂度。

  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，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