复杂度分析上

一：什么是复杂度

       复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n^2 )。

二：时间复杂度

       时间复杂度也叫渐进时间复杂度，表示代码执行时间随数据规模增长的变化趋势，大O()表示法记为O(n)。

 三：时间复杂度分析

        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

        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

四：几种常见的时间复杂度

        可以粗略地分为两类，多项式量级和非多项式量级。其中，多项式两级有O(1)、O(logn)、O(n) 、O(nlogn)、O(n^2)、O(n^3)…… ,   非多项式量级只有两个：O(2^n) 和 O(n!)。

         1.O(1)

                  一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其              时间复杂度也是Ο(1)。

          2.O(logn)、O(nlogn)

                 实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间           复杂度都记为 O(logn),如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复             杂度就是 O(nlogn) 了。

         3.O(m+n)、O(m*n)

                 代码的复杂度由两个数据的规模来决定，m 和 n 是表示两个数据规模。我们无法事先             评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省             略掉其中一个。所以，时间复杂度就是 O(m+n)，但是乘法法则继续有效：T1(m)*T2(n) =               O(f(m) * f(n))。

四：空间复杂度

        时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

       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。而且，空间复杂度分析比时间复杂度分析要简单很多。