数据结构与算法之美--知识点一：复杂度分析

极客时间推出了一个60天攻克数据结构与算法的行动，准备参加下，希望通过这种方式巩固下自己的算法能力。这次活动，对文章进行了分类，会更系统一些。博客文章也会按照其对于知识点的分类分别发出来。

03 | 复杂度分析（上）：如何分析、统计算法的执行效率和资源消耗？

衡量代码的执行效率：时间、空间复杂度分析

大O复杂度表示法

T(n)=O(f(n))
T(n)表示代码执行的时间；n表示数据规模的大小；f(n)表示每行代码执行的次数总和。O表示代码的执行时间T(n)与f(n)表达式成正比。

大O时间复杂度实际上并不具体表示代码真正的执行时间，而是标识代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

只关注循环执行次数最多的一段代码
加法法则：总复杂度等于量级最大的那段代码的复杂度
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

几种常见时间复杂度实例分析

多项式量级：常量阶O(1)、对数阶O(logn)、线性阶O(n)、线性对数阶O(nlogn)、平方阶O(n^2)...k次方阶O(n^k)
非多项式量级：指数阶O(2^n)、阶乘阶O(n!)
O(m+n)、O(m*n)

渐进空间复杂度表示算法的存储空间与数据规模之间的增长关系。

O(1)、O(n)、O(n^2)

04 | 复杂度分析（下）：浅析最好、最坏、平均、均摊时间复杂度

最好、最坏情况时间复杂度

平均情况时间复杂度，加权平均时间复杂度或者期望时间复杂度

均摊时间复杂度。对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系。这个时候，我们就可以将这一组操作放在一块分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度就等于最好情况时间复杂度。

我觉得文章中还应该提一下主定理，这样复杂度的计算基本上就完整了。