复杂度分析

复杂度分析也是一种用来评价算法的性能的方法，相比较时间的统计方法（依赖于平台）和指令计数的不切实际，复杂度分析只需要纸和笔来进行简单的代数的计算

复杂度的阶

算法的分析中，如果一个算法对于任何的问题规模，都需要相同的操作的次数，那么他就是一个常数阶的性能。例子：列表的索引就是典型的常数阶

对数阶的性能要比线性阶好一些，但是相比常数阶要差。一个对数阶的算法的工作量和问题的log2成正比，当问题的规模翻倍的时候，该算法的工作量也就是只是多一次而已。

一个多项式阶的时间算法的工作量，按照n^k的速率增加。其中k是一个大于1 的常数。

比多项式的阶更加复杂的是指数阶。指数阶的算法对于较大的问题而言是不切实际的。

大O表示法

一个算法的工作量通常是一个多项式的数项之和。当用多项式来表达工作量的时候，有一个项是主项，随着n的变大而越来越大，以至于可以忽视其他的项的工作量。

大O表示法的原理是：on the order of（在……阶），这是对算法的工作量的复杂度的一种表述，例如一个线性算法的阶是O(n)

常量比例的作用

常量比例设计在O分析中经常会被忽略的项和系数。然而当项很大时候，他们可能会影响到算法，对于较小的或者中等大小的数据的集合。更是如此。

以一下的代码为例：

work=1
for x in range(problemsize):
	work+=1
	work-=1

   

注意以上的代码除去循环自身，还有三行代码，其中每一行都是赋值的语句，这三条语句中的每一条都需要常量时间，还要假设，在每一次的迭代中，隐藏在循环开始处的管理循环的开销，也运行一条需要常量时间的指令，因此这个算法所执行的抽象的工作量为3n+1。尽管n和3n+1这两个工作量的运行时间都是按照相同的速率增加的。