常见算法的时间复杂度

1. 常数阶O(1)：无论数据规模有多大，都可以在一次计算后找到目标。
2. 对数阶O(log n)或O(log 2n)：每找一次都排除一半的可能。
3. 线性阶O(n)：循环时数据量增大几倍耗时也增大几倍。
4. 线性对数阶O(n log N)：将时间复杂度为O(log n)的代码循环N遍。
5. 平方阶O(n^2)：对数据进行排序需要扫描n*n次。
6. 立方阶O(n^3)：同上n*n*n。
7. K次方阶O(n^k)：同上
8. 指数阶O(2^n)：同上

类型	意义	举例
O(1)	最低复杂度，耗时/耗空间与数据的大小无关，无论输入的数据增大多少倍耗时还是空间都不变。	哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到（不考虑冲突）
O(log n)	当数据增大n倍时，耗时增大logn倍（log是以2为底的），也就是n/long。	二分查找算法就是O(log n)算法，每找一次都排除一半的可能。如256个数据找8次就能找到目标
O(n)	数据量增大几倍，耗时也增大几倍	遍历算法普通的for循环
O(n log N)	将时间复杂度为O(log n)的代码循环N遍，比如数据增大256倍时，耗时增大256*8倍。	归并排序、快速排序、堆排序
O(n^2)	对n个数的排序，需要循环n*n次	冒泡排序、插入排序、选择排序
O(n^3)	同上，相当于三层n循环。	常规的矩阵乘算法
O(n^k)	同上，相当于k层n循环
O(2^n)
常见的时间复杂度，由大到小依次为：1 < log2N < n < n*Log2N < n^2 < n^3 < 2^n < 3^n < n!