1.如何衡量算法执行的效率？

1.算法初体验

1.1 需求1：计算1到100的和。

第一种解法：
    public static void main(String[] args) {
        int sum = 0;
        int n=100;
        for (int i = 1; i <= n; i++) {
            sum += i;
        }
        System.out.println("sum=" + sum);
    }

第二种解法：
    public static void main(String[] args) {
        int sum = 0;
        int n=100;
        sum = (n+1)*n/2;
        System.out.println("sum="+sum);
    }

第一种解法要完成需求，要完成以下几个动作：
 1.定义两个整型变量；
 2.执行100次加法运算；
 3.打印结果到控制台；
第二种解法要完成需求，要完成以下几个动作：
 1.定义两个整型变量；
 2.执行1次加法运算，1次乘法运算，一次除法运算，总共3次运算；
 3.打印结果到控制台；
很明显，第二种算法完成需求，花费的时间更少一些。

1.2 需求2：计算10的阶乘

第一种解法：
public class Test {
    public static void main(String[] args) {
//测试，计算10的阶乘
        long result = fun1(10);
        System.out.println(result);
    }
    //计算n的阶乘
    public static long fun1(long n){
        if (n==1){
            return 1;
        }
        return n*fun1(n-1);
    }
}

第二种解法：
public class Test {
    public static void main(String[] args) {
//测试，计算10的阶乘
        long result = fun2(10);
        System.out.println(result);
    }
    //计算n的阶乘
    public static long fun2(long n){
        int result=1;
        for (long i = 1; i <= n; i++) {
            result*=i;
        }
        return result;
    }
}

第一种解法，使用递归完成需求，fun1方法会执行10次，并且第一次执行未完毕，
调用第二次执行，第二次执行未完毕，调用第三次执行...最终，最多的时候，需要在
栈内存同时开辟10块内存分别执行10个fun1方法。

第二种解法，使用for循环完成需求，fun2方法只会执行一次，最终，只需要在栈
内存开辟一块内存执行fun2方法即可。
很明显，第二种算法完成需求，占用的内存空间更小

2 算法分析

前面我们已经介绍了，研究算法的最终目的就是如何花更少的时间，如何占用更少的内存
去完成相同的需求，并且也通过案例演示了不同算法之间时间耗费和空间耗费上的差异，
但我们并不能将时间占用和空间占用量化，因此，接下来我们要学习有关算法时间耗费
和算法空间耗费的描述和分析。有关算法时间耗费分析，我们称之为算法的时间复杂度分
析，有关算法的空间耗费分析，我们称之为算法的空间复杂度分析。

2.1 算法的时间复杂度分析

我们要计算算法时间耗费情况，首先我们得度量算法的执行时间，那么如何度量呢？

• 事后分析估算方法：

比较容易想到的方法就是我们把算法执行若干次，然后拿个计时器在旁边计时，这种事后
统计的方法看上去的确不错，并且也并非要我们真的拿个计算器在旁边计算，因为计算机
都提供了计时的功能。这种统计方法主要是通过设计好的测试程序和测试数据，利用计算
机计时器对不同的算法编制的程序的运行时间进行比较，从而确定算法效率的高低，但是
这种方法有很大的缺陷：必须依据算法实现编制好的测试程序，通常要花费大量时间和精
力，测试完了如果发现测试的是非常糟糕的算法，那么之前所做的事情就全部白费了，并
且不同的测试环境(硬件环境)的差别导致测试的结果差异也很大

• 事前分析估算方法：

在计算机程序编写前，依据统计方法对算法进行估算，经过总结，我们发现一个高级语言
编写的程序程序在计算机上运行所消耗的时间取决于下列因素：
 1.算法采用的策略和方案；
 2.编译产生的代码质量；
 3.问题的输入规模(所谓的问题输入规模就是输入量的多少)；
 4.机器执行指令的速度；

由此可见，抛开这些与计算机硬件、软件有关的因素，一个程序的运行时间
依赖于算法的好坏和问题的输入规模。如果算法固定，那么该算法的执行时间就只和问题的输入规模有关系了。

2.2 算法的空间复杂度分析

• 类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模 n 的函数。
• 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。有的算法需要占用的临时工作单元数与解决问题的规模 n 有关，它随着 n 的增大而增大，当 n 较大时，将占用较多的存储单元，例如快速排序和归并排序算法, 基数排序就属于这种情况
• 在做算法分析时，主要讨论的是时间复杂度。 从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间。