几个常见的时间复杂度

1.时间复杂度定义

算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。
简单来说就是执行算法所需要的计算工作量

2.计算时间复杂度

O(1)

function fn1(){
	console.log(1)
	console.log(2)
}

函数fn1运行的时候执行了两次console，所以它的时间复杂度是2，用O表示为O(2)，但对于常数项往往可以忽略不计，所以我们一般将常数项计算为1，就算是O(100)我们时间复杂度也用O(1)表示。

O(n)

function fn2(n){
	for(let i =0;i<n;i++){
		console.log(n)
	}
}

函数fn2执行的时候，首先for中的let i = 0执行了一次，接着执行i < 0，然后执行console，再执行i++，以此类推到最后，i<0将执行n+1次，console将执行n次，i++执行n次，加上一开始的let i = 0，一共是1+n+1+n+n = 3n+2次，即O(n)=常数*n+常数，当n达到一定数量后，第二部分的常数可以忽略不计，即O(n)=常数*n，将剩下的常数当作该系数的常数作为1，得到最终时间复杂度O(n)

O($n^2$)

function fn3(n){
	for(let i = 0; i < n;i ++){
		for(let i = 0; i < n; i++){
			console.log(n)
		}
	}
}

根据上面的方法，我们可以推断出fn3的执行时间为$1+n+1+n+n\times (1+n+1+n+1)=2n^2+5n+2$，根据刚提到的省略常量，以及将系数作为1处理则得到$n^2+n$，当n达到一定值时，相对于$n^2$，n可忽略所以最终得到时间复杂度为O($n^2$)，当执行次数出现多个幂时，则取最高的，如$n^3+n^4+n^5+5$，则取$n^5$即可

O(log$2^n$)

function fn4(n){
	for(let i =1; i < n; i*=2){
		console.log(n)
	}
}

fn4当传入参数n为8时，首先i = 1，小于8成立，执行循环体内代码1次，i * 2 = 2，小于8继续成立，循环体内代码执行次数加一，i *2 = 4，小于8成立继续，循环体内执行第3次，接着i *2 = 8，小于8不成立循环结束，一共执行了3次。得到O(8) =3
$2^3=8$，$3=log{2}^8$，由此可得到$O(8)=log{2}^8$