(二)如何进行复杂度分析

1.大O表示法

算法的执行时间与每行代码的执行次数成正比，即:T(n)=O(f(n))。其中T(n) 是算法的执行总时间，f(n)是每行代码的执行次数，n是数据的规模（不包含常量阶，低阶，以及系数）。

2.复杂度量级（按数量级递增）

1. 常量阶O(1)：只要代码的时间不随n的增大而增长，都记为O(1)。
2. 对数阶O(logn)：n作为结束值，代码数量固定成倍数增长。例：i=1; while (i <= n) {i = i * 2;}
3. 线性阶O(n)
4. 线性对数阶O(nlogn)
5. 平方阶O(n²)、立方阶O(n³)……

3.时间复杂度分析（渐进时间复杂度）

1. 只关注循环执行次数最多的一段代码
2. 加法法则：总复杂度等于量级最大的那段代码的复杂度。即：如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么T(n)=T1(n)+T2(n)=max(O(f(n)),O(g(n))) =O(max(f(n)),
3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。即：如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).

4.空间复杂度分析（渐进空间复杂度）

我们常见的空间复杂度就是 O(1)、O(n)、O(n²)，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都
用不到。例：int[] a = new int[n] 为O(n)

5.最好情况时间复杂度：代码在最理想情况下执行的时间复杂度

6.最坏情况时间复杂度：代码在最坏情况下执行的时间复杂度

7.平均情况时间复杂度（加权平均时间复杂度、期望时间复杂度）：用代码在所有情况下执行的次数的加权平均值表示

8.均摊时间复杂度（一般等于最好情况时间复杂度）

对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组操作放在一块儿分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。