时间复杂度的分析计算过程完整详解

时间复杂度

**在一段逻辑/算法中，将某一段可能回被重复执行的逻辑的执行时间看作是单位1，考虑单位1的执行次数和元素个数之间的变化关系**

举例：数组遍历

for(int i = 0; i < n; i++){
	... // 不管这段逻辑执行一次的时间是多少，都将这个时间看作是单位1
}
有1个元素，单位1执行1次
有10个元素，单位1执行10次
有n个元素，单位1执行n次
单位1的执行次数和元素个数之间的变化关系：f(n) = n -> 时间复杂度是O(n)

**如果在时间复杂度的推导计算过程中，出现了多项式和系数，除非其他项和系数大到足够影响变化趋势，否则不考虑**

案例：冒泡排序

for(){
	for(){
		if(){} // 单位1
	}
}
数组中有n个元素，那么单位1要执行多少次？
第1轮，执行n-1次
第2轮，执行n-2次
...
第n-1轮，执行1次
单位1的执行次数和元素个数之间的变化关系：
	f(n) = n-1 + n-2 + ... + 1 
	     = (n-1 + 1)(n-1)/2
		 = n*(n-1)*1/2
		 -> n*(n-1) -> n^2 -> 时间复杂度是O(n^2)

**如果时间复杂度中出现了对数，那么对数的底数默认为2**

案例：二分查找

while(xxx){
	... // 单位1
}
有n个元素
第1次查找，剩余n*1/2
第2次查找，剩余n*1/2*1/2=n/(2^2)
第3次查找，剩余n*1/2*1/2*1/2=n/(2^3)
...
经过x次查找，剩余1=n/(2^x)
1=n/(2^x) -> 2^x=n => f(n)=logn -> 时间复杂度是O(logn)

**注意，时间复杂度一致，不代表执行时间是一样的，只能说明两个算法的变化趋势是一样的**