算法时间复杂度

常见的时间复杂度类型
常数时间复杂度：O(1)，表示算法的执行时间不随输入规模n的变化而变化，执行时间是一个常数。
线性时间复杂度：O(n)，表示算法的执行时间与输入规模n成线性关系，即算法执行时间随着n的增加而线性增加。
对数时间复杂度：O(log n)，表示算法的执行时间与输入规模n的对数成正比。这种时间复杂度常见于采用分治策略的算法，如二分查找。
线性对数时间复杂度：O(n log n)，表示算法的执行时间既与n成线性关系，又与log n成线性关系。这种时间复杂度常见于排序算法，如归并排序、快速排序等。
平方时间复杂度：O(n^2)，表示算法的执行时间与输入规模的平方成正比。这种时间复杂度常见于嵌套循环的算法。
指数时间复杂度：O(2n) 或 O(an)，表示算法的执行时间随着输入规模的增加而呈指数增长，这种算法在实际应用中通常是不可接受的，因为即使输入规模很小，执行时间也会非常长。
多项式时间复杂度：O(n^k)，其中k是常数。这种时间复杂度表示算法的执行时间与输入规模的k次方成正比。
复杂度分析
在进行算法复杂度分析时，我们主要关注算法执行时间随输入规模增长而增长的速率，而不是具体的执行时间。通常，我们会忽略掉低阶项和常数项，因为它们对于算法执行时间随输入规模增长的趋势影响较小。

示例
二分查找：时间复杂度为O(log n)，因为每次查找都将搜索区间减半。
冒泡排序：时间复杂度为O(n^2)，因为需要两层嵌套循环来比较和交换元素。
快速排序：平均时间复杂度为O(n log n)，但在最坏情况下为O(n^2)。