算法基础：分析时间复杂度

一、时间复杂度

当问题规模即要处理的数据增长时，基本操作要重复执行的次数必定也会增长，那么我们关心的是这个执行次数以什么样的数量级增长。

我们用O表示一下常见的时间复杂度量级：

• 常数阶O(1)
• 线性阶O(n)
• 对数阶O(logn)
• 线性对数阶O(nlogn)
• 平方阶O(n2)

当然还有指数阶和阶乘阶这种非常复杂度量级，我们就不讨论了。

二、各时间复杂度分析

O(1):

传说中的常数阶的复杂度，这种复杂度无论数据规模n如何增长，计算时间是不变的。

举一个简单的例子：不管n如何增长，都不会影响这个函数的计算时间，因此这个代码的时间复杂度都是O(1)。

const increament = n=>n++

O(n):

线性时间复杂度，随着数据规模n的增长，计算时间也会随着n线性增长。

典型的O(n)的例子就是线性查找。

const linearSeach = (arr, target) =>{
	for (let i=0; i<arr.lenght; i++){
		if(arr[i] === target){
			return i
			}
		}
	return -1;//返回-1表示没有查询到target在arr中
}

线性查找的时间消化与输入的数组数量n成一个线性比例，随着n规模的增大，时间也会线性增长。

O(logn):

对数时间复杂度，随着问题的规模n的增长，计算时间也会随着n对数级增长。

典型的例子就是二分查找法。

functions binarySearch(arr, target) { 
	let max = arr.length - 1 
	let min = 0 
	while (min <= max) { 
		let mid = Math.floor((max + min) / 2) 
		if (target < arr[mid]) { max = mid - 1 } 
		else if (target > arr[mid]) { min = mid + 1 } 
		else { return mid } 
	}
	return -1 
}

在二分查找法的代码中，通过while循环，成2倍数的缩减搜索范围，也就是说要经过log2^n次即可以跳出循环。

事实上在实际项目中，O(logn) 是一个非常好的时间复杂度，比如当 n = 100 的数据规模时，二分查找法只需要查找7次，线性查找需要100次，这对于计算机而言差距不大，但是当有10亿的数据规模的时候，二分查找依然只需要30次，而线性查找需要惊人的10亿次，O(logn) 时间复杂度的算法随着数据规模的增大，他的优势就越明显。

O(nlogn):

线性对数时间复杂度，随着数据规模n的增长，计算时间也会随着n呈现线性对数级增长。

这其中典型代表就是归并排序，我们会在对应⼩节详细分析它的复杂度。

待补充

O(n2)

平⽅级复杂度，典型情况是当存在双重循环的时候，即把 O(n) 的代码再嵌套循环⼀遍，它的时间复杂度就是 O(n²) 了.

代表应⽤是冒泡排序算法。

略