什么时间复杂度、空间复杂度，原来不过如此！

很多小伙伴刚学习算法的时候，是不是对如何看一段代码的复杂度很是一头雾水，或者我们根本就不想去了解什么复杂度，只要功能实现就OK了。
可是算法算法，就是要精益求精，分秒必争，包括一些算法考试都是有时间和空间要求的，所以掌握如何看算法复杂度这个技能十分必要。而且看完这篇文章你就会发现，计算复杂度原来如此简单

1. 时间复杂度

简单的说，时间复杂度就是计算机基本运算次数所处的等级，其中基本运算就是加减乘除，

 for (int i = 0;i<n ;i++ ){
        sum += a[i]
    }

就这段代码来说，for循环执行了n次，共执行了n次加法运算
下面这段代码运行了2n次加法运算

 for (int i = 0;i<n ;i++ ){
        sum += a[i]；
        sum += a[i];
    }

显然 n 次运算 和2n次运算 随着n的规模不断增大，其增长趋势是相同的，所以这样的代码时间复杂度为O(n)，表明算法消耗的时间随着n的值线性增加，显然与前面的系数无关，所以O(n)和O(2n)是等价的。

 for (int i = 0;i<n ;i++ ){
        for (int j = 0;j<n ;j++ ){
                sum += a[i];
        }       
    }

这段代码执行了 n² 次运算，所以时间复杂度为O(n²）。

在时间复杂度中，高等级的幂次会覆盖低等级的幂次，什么意思呢？
就是 O(3n²+n+1) 和 O(n²)是等价的。
另外，显然 O(3n²+n+1) 会趋近于 O(cn²)，这里c是一个常数，我们称它为算法时间复杂度的常数，所以当有些算法实现复杂的时候，c会变得很大，所以即使这时算法复杂度相同（一般再说算法复杂度的时候会忽略前面的系数），性能也会有较大差距。

此外还有O(logn)级别的复杂度，比如二分查找算法：

int binarySearch(int arr[], int l, int r, int target){
     if( l > r ) return -1;
 
    int mid = l + (r-l)/2; 
     if( arr[mid] == target ) return mid;  
     else if( arr[mid] > target ) 
     return binarySearch(arr, l, mid-1, target);    // 左边 
     else
     return binarySearch(arr, mid+1, r, target);   // 右边
}

在这个算法中，每次从[ l , r ] 这个区间中去查找，找到target就停止，中间值比target小就从右边找，比他大就从左边找，根据数学知识，我们一共需要log2n次来完成，所以时间复杂度为o(logn)。
还有O(1) ,表明时间复杂度不是线性增长的，所以这几个时间复杂度有如下几的关系
O(1) < O(logn) < O(n) < O(n²)

2.空间复杂度

和时间复杂度类似，空间复杂度采用相同的写法，表示一个算法需要消耗的最大数据空间，例如一个算法， 最大数据空间为一个二维数组，所以他的空间复杂度就是O(n²)。
一般来说，空间基本够用，其重要性也就不如时间复杂度，所以我们经常采用 以空间换时间的方法，比如散列法 就是这样一个高效的方法。