一、复杂度分析

时间复杂度分析

大0复杂度分析法

T（n）= O（f(n)）

 T(n)：表示时间复杂度
 f(n)：表示每行代码的执行次数总和
 O：表示时间复杂度和每行代码的执行次数总和成正比

 可以想象，当n无穷大的时候，低阶、常数项、系数部分都可以忽略。

 比如O(2n+1) 记为 O(n)    O(2n²+2n+1)记为0(n²)

时间复杂度分析

1.只关注循环执行次数最多的一段代码

 如题

2.加法法则

 总复杂度 = 最大的一段代码时间复杂度

 如果一个函数里面，第一个for循环是O(n),第二个for循环是O(n²)，那么总的时间复杂度T(n) = O(n)+O(n²)，但因为加法法则，可以记为T(n) = O(n²)。

3.乘法法则

 主要用于分析嵌套的循环
 嵌套代码的时间复杂度 = 嵌套内外代码时间复杂度的成绩
 T1(n) = O(n),T2(n) = O(n²)，那么T(n) = T1(n) * T2(n) = O(n³)

常见时间复杂度分析

 常量、对数、线性、线性对数、平方、立方、指数、阶乘

1.0（1）

 只要没有循环、递归，都可以看做是O(1)

2.0（logn）/ O(nlogn）对数/线性对数(最难分析)

 i=1;
 while (i <= n)  {
   i = i * 2;
 }

设x是执行次数
∵ i = 2^x
即2^x <= n
 x <= logn
O(n) = logn;

O(nlogn）就是O(logn)的函数被执行了n遍 O(n) * O(logn)

3.O（m+n）/ O(m*n)

int cal(int m, int n) {
  int sum_1 = 0;
  int i = 1;
  for (; i < m; ++i) {
    sum_1 = sum_1 + i;
  }

  int sum_2 = 0;
  int j = 1;
  for (; j < n; ++j) {
    sum_2 = sum_2 + j;
  }

  return sum_1 + sum_2;
}

此时m，n的数量级无法预估，也用不了加法法则，注意：上面的加法法则是0(n)和O(n²)，两个量级。

空间时间复杂度

主要是O(1) O(n) O(n²)