[数据结构与算法-理论] 时间复杂度

1. 如何衡量代码质量？

计算机两个核心的功能就是计算和存储，所以我们衡量代码也是从这两个角度，一个是计算时耗费的时间，一个是计算时使用的存储空间（这里指使用的内存大小）。

比较直观的方法就是，运行一下，跑一跑就知道了。占用了多少内存，耗费了多少时间，统计一下，既直观又准确。这种方法不是不可以，只是受运行环境和数据规模影响比较大，参考性很难统一。

所以，我们引入了大O表示法，可以在不运行的情况下，对代码做一个预估。下面我们说一下时间复杂度：

首先我们要假设每一行代码操作的时间是相等的，为一个单位时间。第二，大O表示法表示的是随着数据规模的增长，代码运行时间增长的趋势。第三，由于大O表示法关注的是趋势，当数据规模很大的时候，常数项的影响很小，所以我们通常忽略大O表示法公式的常数项。

所以，我们可以发现，大O表示法只是一个估计的趋势，供我们参考，不能代表真正的运行时间。

举个例子：

public int doubleSum(int n) {
  	int sum = 0;
  	for (int i = 0; i < n; i++) {
      	sum += i;
    }
  	for (int i = 0; i < n; i++) {
      	sum += i;
    }
  	return sum;
}

在这段代码中，我们可以看到有两个for循环，执行2n次，所以整个代码执行2+2n个单位时间，我们表示为O（2+2n），当n很大的时候，两个2就显得微不足道了，所以这段代码的时间复杂度是O（n）。

这里我们发现了一个技巧，常数项最后都要被忽略掉，所以，我们在分析的时候，就可以只关注代码中的循环语句了，而且，不管程序中出现了几次并列的循环，我们都看成是一次。

2. 常见的时间复杂度

1) o(1)

我们前面说过，大O表示法是估计的趋势，所以，O（1）就是没有增长的趋势，也就是不管数据规模怎么变大，执行的时间都不变。

2) o(n)

刚才我们举过栗子了，一个n次的循环，时间复杂度就是O（n）。

3) o(logn)

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

这段代码，根据高中数学知识，我们可以知道这段代码会运行logn次。

4) o(n^2)

这个也很好理解，一个n次的循环，时间复杂度是o（n）。那么，一个嵌套循环，时间复杂度就是o(N^2)了。

3. 加法和乘法

下面的例子，指向时间是n+n^2
个单位时间，随着数据规模增大，n影响很小，我们忽略。这段代码的时间复杂度为O（n^2）。这就是加法法则，总复杂度等于量级最大的代码的复杂度。

public int sum(int n) {
  	int sum = 0;
  	for (int i = 0; i < n; i++) {
      	sum += i;
    }
  	for (int i = 0; i < n; i++) {
      	for (int j = 0; j < n; j++) {
      			sum += i;
    		}	
    }
  	return sum;
}

乘法法则是针对嵌套的情况而言的，嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。这也是O（n^2）复杂度的由来。