算法的时间空间复杂度，维度

算法：解决问题的方法和步骤。看一个算法是否优秀时，我们要考虑时间复杂度和空间复杂度。特别是时间复杂度。
一、时间复杂度

常见的时间复杂度有：
常数阶O(1)
对数阶O(logn) //等于O(log2n),2在下面，n在上面，一般把2省略
线性阶O(n)
线性对数阶O(nlogn)
平方阶O(n^2)
指数阶O(2^n)
阶乘O(n!)

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(2^n) < O(n!)

1.O(1)
function int(n){
var i =n
var j = 3*n
return i+j
}

2.O(logn)
function int(n){
let i =1
while(i<=n){
i=i*2
return i
}
}

3.O(n)
function int(n){
let sum = 0
for(let i=0;i<n;i++){
sum+=i
}
return sum
}

4.O(m+n)
function int(m,n){
let sum = 0
for(let i=0;i<m;i++){
sum+=i
}
for(let i=0;i<n;i++){
sum+=i
}
return sum
}

5.O(mlogn) //m乘以logn
function int(m,n){
sum = 0
for(let i=0;i<m;i++){
for(let i=0;i<n;i++){
sum+=ij
j=j2
}
}
return sum
}

6.O(n^2)
function int(n){
sum = 0
for(let i=0;i<n;i++){
for(let i=0;i<n;i++){
sum+=i*j
}
}
return sum
}

二、空间复杂度：算法占用内存的空间

三、其他
1、O是一个算法最坏情况的度量（悲观主义者喜欢这个符号）
2、Big Omega是最好情况的度量（favorite notation of optimist）
3、Big Theta表达了一个算法的区间，不会好于某某，不会坏于某某