算法：复杂度分析

O衡量量级上的差距，当n突破一个点时，时间复杂度低的算法一定比时间复杂度高的算法要快，n越大优势越明显

O表示算法执行的最低上界，算法有几部分（n规模一致），随着数据规模增大，以量级最高的时间复杂度作为主导；规模不一致时要分开考虑

时间复杂度计算实例：考虑最长的字符串长度，因为O是一个上界，假设数组中的字符串长度都更最长的字符串长度是一样的，涵盖了最坏的情况，排序算法O(nlogn)中的nlogn表示比较的次数，对整型数组进行排序只需进行nlogn次比较，两个整型数据的比较是O(1)级别的，两个字符串的比较要耗费O(s)，即需要比较nlog次，每次比较需要O(s）的时间消耗

关注平均情况（平均情况下的最低上界）

算法面试时，根据数据规模确定所需的时间复杂度来选择算法：以加法操作为例

空间复杂度：开了多大的辅助空间，仅使用一些临时变量来存储一些临时值，空间复杂度为O(1)

递归调用有空间代价，递归调用深度为n，系统栈中需要装载n个状态，整个递归占据的空间复杂度是O(n)级别

O(n)用例：存在一个循环，这个循环的次数与n相关，即执行的基本操作为cn次，c可以>1=1<1

O(n2)用例：存在双重循环，每层循环都和n正相关

O(logn)用例：n经过log2n次 除以2的操作后等于1，分割了log2n次，在每个范围内的查找操作时间复杂度为O(1)

外层循环logn次，内层循环n次，时间复杂度为O(nlogn)

x从2到根号n变化

O(logn)随着n的规模增大，时间的效率差近乎没有，时间消耗变化非常小

O(nlogn）与O(n)差距不大

在一次递归中最多再进行一次递归调用，计算出递归调用的最大深度为logn，时间复杂度为O(logn):前提是在当前函数中处理问题是O(1)的，递归调用深度是O(logn)的，总体时间复杂度是O(logn)的

递归中进行一次递归调用时，递归调用的深度就是递归调用的次数

在递归中进行多次递归调用时，递归的深度和递归调用的次数是两个概念

指数级算法

树的深度是n，每个节点处理的数据规模是一样的

在排序搜索中，递归树的深度是logn，每层每个节点处理数据规模是逐渐缩小，但每层处理的数据量都是n，每个节点是O(n)级别的算法，总体来说在每一层上处理数据是O(n)级别。得出O(nlogn)