算法的时间复杂度

我们知道算法的效率是判断一个程序好坏的重要标准，在当今的社会，一个程序运行速度的快慢决定着人们对这个程序的好感已及认可度，那么我们都是如何来进行算法效率的表示的呢？

这就是我们接下来要讲的时间复杂度！

我们先来讲一个经典的例子，斐波那契数列大家都有所耳闻，就是1+1+2+3+5......

我们实现一个斐波那契数列有许多种办法，我们可以使用递归，也可以使用循环，这里我使用递归来举例子（如下图所示）

通过上述代码我们来实现找到第n项的斐波那契数，我们会发现 整个代码实现起来非常轻松，没有多少步骤就是写完了。

唉，既然它对我们来说这么方便，那我们是不是直接无脑递归就行了呢？答案是错误的。

这里我们再来举一个例子（如下图所示）

当我们输入50的时候就会发现代码半天都没有 运算出结果，是计算机太没用了吗？连第50项都算不出来？答案当然不是，计算机的运算速度可是相当快的，一台普通的计算机一秒少说都能进行上亿次的计算，那为何它还会被第50项困住？唉，这就可以用我们的时间复杂度来解释了。

时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。

通俗的来讲，时间复杂度计算的是你代码实现的思维。

比如上述的例子。我们用递归来完成的代码到底经历了多少次计算，我们可以简单的画一个图来分析它。

我们会发现同样的目的，我们如果使用for循环的思想，可能两三次就想出来了，但我们用递归的思想。计算机却调用了Fib函数8次，这是因为递归的状态下我们的计算是呈现指数级增长。

像这样的算法它的时间复杂度就是O（2^N）时间复杂度的计算我们采用的是估算的方法，使用的是大O的渐进表示法。

所以，我们认为的几十次计算计算机可是算了大概2^50次，这计算量就非常恐怖了。

那for循环在这里的时间复杂度是多少呢？注意：看思想。

for循环我们是采用遍历的方式来找第n项的斐波那契数。（代码如下）

这里，我们会发现，虽然结果是错误的但计算机很快就算出来了，结果错误是因为它的值超出了存储空间的大小， 那么在这里，代码的时间复杂度是多少呢？——O（N）。

因为我们想找第几项就大概找对应的几次嘛，所以计算时间复杂度，得知代码的逻辑、思想至关重要！