算法复杂度分析

采用不同的算法，会有不同的效率。因此，知道某个算法的运行速度和占用的内存空间，对于选择正确的算法来解决问题非常有帮助。

3.1 时间复杂度

算法的时间复杂度是指算法需要消耗的时间资源。

一般来说，计算机算法是问题规模n 的函数f(n)，算法的时间复杂度也因此记做：

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

算法执行时间的增长率与f(n) 的增长率正相关，称作渐近时间复杂度（Asymptotic Time Complexity），简称时间复杂度。

3.2 空间复杂度

算法的空间复杂度是指算法需要消耗的空间资源。

其计算和表示方法与时间复杂度类似，一般都用复杂度的渐近性来表示。

同时间复杂度相比，空间复杂度的分析要简单得多。

3.3 大 O 表示法

• 什么是大 O 表示法？

我们常常会听到有人说，“这个算法在最糟情况下的运行时间是 O(n^2) 而且占用了 O(n) 大小的空间”，他的意思是这个算法有点慢，不过没占多大空间。
这里的 O(n^2) 和 O(n) 就是我们通常用来描述算法复杂度的大 O 表示法。
大 O 表示法能让你对一个算法的运行时间和占用空间有个大概概念。

• 大 O 表示法怎么看？怎么用？

假设一个算法的时间复杂度是 O(n)，n 在这里代表的意思就是数据的个数。举个例子，如果你的代码用一个循环遍历 100 个元素，那么这个算法就是 O(n)，n 为 100，所以这里的算法在执行时就要做 100 次工作。

• 常见的时间复杂度有：

1）常量阶：O(1)

2）对数阶：O(logn)

3）线性阶：O(n)

4）线性对数阶：O(nlogn)

5）平方阶：O(n ^ 2)

6）指数阶：O(2 ^ n)

7）阶乘阶：O(n!)

复杂度的坐标图：