算法复杂度分析

设计一个算法，一定要考虑到它的复杂度（空间、时间），那么，接下来，我们一步步来学习怎样分析一个算法的复杂度。

一、数据规模

首先，我们要清楚设计这个算法是要处理什么规模的数据的，根据处理的数据的规模，从而设计出适合的算法。

通常，如果要想在 1s 之内解决问题：

• O(n^2) 的算法可处理约 10^4 级别的数据
• O(n) 的算法可处理约 10^8 级别的数据
• O(nlogn) 的算法可处理约 10^7 级别的数据

不过在实际情况中，保险起见，可以对数量级低估一点，除以 10 或者 除以 2，这样就比较保险了。

二、空间复杂度

常见的空间复杂度就不解释了，需要说明的是一种比较特殊的情况。

递归是比较常见的一种算法思路，但递归调用是有空间代价的，因为计算机要把递归之前的数据压入栈中，会占用一定的空间，这点我们需要特别注意。

空间复杂度 O(1)

    public static int sum1(int n) {
        int ret = 0;
        for (int i = 0; i <= n; i++) {
            ret += i;
        }
        return ret;
    }

这是一个简单求和的一个函数，我们只开了一个 ret 存放返回结果，和一个索引 i 的值，所以空间复杂度就是 O(n) ，不过我们也可以用递归来写，但是这样空间复杂度就变了。

空间复杂度 O(n)

    public static int sum2(int n) {
        if (n == 0)
            return 0;

        return n + sum2(n - 1);
    }

这是因为在计算从 0 到 n 这些数的和，需要递归调用的深度是 n，栈中需要装载 n 个状态，也就是空间复杂度为 O(n)。

因此，在设计算法时，如果用到了递归，需要小心，不要让你的递归看起来聪明，但实际上性能却很差。

三、常见的时间复杂度分析

接下来，我们通过常见的一些函数来具体分析一下他们的时间复杂度。

注意，下面这些例子中，我们暂且假设输入都是合法输入，这样方便我们突出重点，但是在实际的算法设计中，是需要考虑到合法输入、边界条件等等信息的。

1. O(1)

e.g. 交换

    private</