时间复杂度o(1), o(n), o(logn), o(nlogn)

1、时间复杂度o(1), o(n), o(logn), o(nlogn)。算法时间复杂度的时候有说o(1), o(n), o(logn), o(nlogn)，这是算法的时空复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。 

 

---

2、时间复杂度为O(1)。
　　是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。
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目标（不考虑冲突的话）

---

3、时间复杂度为O(n)。
　　就代表数据量增大几倍，耗时也增大几倍。
比如常见的遍历算法。再比如时间复杂度O(n^2)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。
比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。

---

4、时间复杂度为O(logn)。
　　当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。
二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。

指数函数：一般地，y=a^x函数(a为常数且以a>0，a≠1)叫做指数函数。y=a^x表示a的x次方。
对数函数：如果a^x =N（a>0，且a≠1），那么数x叫做以a为底N的对数，记作x=logaN，读作以a为底N的对数，其中a叫做对数的底数，N叫做真数。

算法复杂度中的O(logN)底数是多少

前言

     无论是计算机算法概论、还是数据结构书中，关于算法的时间复杂度很多都用包含O(logN)这样的描述，但是却没有明确说logN的底数究竟是多少。算法中log级别的时间复杂度都是由于使用了分治思想,这个底数直接由分治的复杂度决定。如果采用二分法,那么就会以2为底数,三分法就会以3为底数,其他亦然。

     不过无论底数是什么,log级别的渐进意义是一样的。也就是说该算法的时间复杂度的增长与处理数据多少的增长的关系是一样的。

     我们先考虑O(logx(n))和O(logy(n))，x!=y，我们是在考虑n趋于无穷的情况。求当n趋于无穷大时logx(n)/logy(n)的极限可以发现，极限等于lny/lnx，也就是一个常数，也就是说，在n趋于无穷大的时候，这两个东西仅差一个常数。所以从研究算法的角度log的底数不重要。最后，结合上面，我也说一下关于大O的定义（算法导论28页的定义），注意把这个定义和高等数学中的极限部分做比较，显然可以发现，这里的定义正是体现了一个极限的思想，假设我们将n0取一个非常大的数字，显然，当n大于n0的时候，我们可以发现任意底数的一个对数函数其实都相差一个常数倍而已。所以书上说写的O（logn）已经可以表达所有底数的对数了，就像O(n^2)一样。没有非常严格的证明，不过我觉得这样说比较好理解，如果有兴趣证明，完全可以参照高数上对极限趋于无穷的证明。

from : 《剑指offer》

若算法的 T(n) = O(log n)，则称其具有对数时间。由于计算机使用二进制的记数系统，对数常常以10为底（即log10 n，有时写作 lg n）。然而，由对数的换底公式，loga n和 logb n只有一个常数因子不同，这个因子在大O记法中被丢弃。因此记作O(log n)，而不论对数的底是多少，是对数时间算法的标准记法。

from: 知乎

---

5、时间复杂度为O(nlogn)。
　　就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。
归并排序就是O(nlogn)的时间复杂度。