时间复杂度

Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜…＜Ο(2n)＜Ο(n!)

（1）for(i=1;i<=n;i++) for(j=1;j<=i;j++) for(k=1;k<=j;k++) x=x+1;

时间复杂度是：(1^2+2^2+3^2+...+n^2)=n(n+1)(2n+1)/6≈(n^3)/3，不考虑系数，自然是O(n^3)

（2）for(i=1;i<n;i=i*2){}

时间复杂度是：2^(k+1)=n -> k=log2n+1≈log2n。

忽略掉T(n)中的常量、低次幂和最高次幂的系数。

决定算法复杂度的是执行次数最多的语句，一般也是最内循环的语句。

步骤可以简化为： 

1. 找到执行次数最多的语句 
2. 计算语句执行次数的数量级
3. 用大O来表示结果 

一般不特别说明，讨论的时间复杂度均是最坏情况下的时间复杂度。这就保证了算法的运行时间不会比任何更长。

一些规则(引自：时间复杂度计算 ) 
1) 加法规则 
T(n,m) = T1(n) + T2(n) = O (max ( f(n), g(m) )

2) 乘法规则 
T(n,m) = T1(n) * T2(m) = O (f(n) * g(m))

3) 一个特例（问题规模为常量的时间复杂度） 
在大O表示法里面有一个特例，如果T1(n) ＝ O(c)， c是一个与n无关的任意常数，T2(n) = O ( f(n) ) 则有
T(n) = T1(n) * T2(n) = O ( c*f(n) ) = O( f(n) )

也就是说，在大O表示法中，任何非0正常数都属于同一数量级，记为O(1)。

复杂度与时间效率的关系：

c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! （c是一个常量）
|--------------------------|--------------------------|-------------|
          较好                     一般              较差
其中c是一个常量，如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n,那么这个算法时间效率比较高 ，如果是 2n , 3n ,n!,那么稍微大一些的n就会令这个算法不能动了，居于中间的几个则差强人意。

public void printsum(int count){
    int sum = 1;
    sum = count * (count+1)/2;   
    System.out.print(sum);
}
这样算法的时间复杂度将由原来的O(n)降为O(1)，大大地提高了算法的性能。 

空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。一个算法在计算机存储器上所占用的存储空间，包括存储算法本身所占用的存储空间，算法的输入输出数据所占用的存储空间和算法在运行过程中临时占用的存储空间这三个方面。算法的输入输出数据所占用的存储空间是由要解决的问题决定的，是通过参数表由调用函数传递而来的，它不随本算法的不同而改变。

当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。

常用的算法的时间复杂度和空间复杂度：

排序法 最差时间分析 平均时间复杂度 稳定度 空间复杂度

冒泡排序 O(n²) O(n²) 稳定 O(1)
快速排序 O(n²) O(n*log₂n) 不稳定 O(log₂n)~O(n)
选择排序 O(n²) O(n²) 稳定 O(1)
二叉树排序 O(n²) O(n*log₂n) 不稳定 O(n)
插入排序 O(n²) O(n²) 稳定 O(1)
堆排序 O(n*log₂n) O(n*log₂n) 不稳定 O(1)
希尔排序 O O 不稳定 O(1)