数据结构和算法学习--时间复杂度和空间复杂度

时间复杂度：随问题规模为n的增大，算法执行时间的增长率。
时间复杂度低的为最优算法
如何分析时间复杂度：
1.用常熟1取代运行时间中的所有加法常数
2.修改后的运行次数函数中，只保留最高项
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数

并不是有多少语句时间复杂度就是多少
常数阶的时间复杂度为1
线性阶的时间复杂度为n
平方阶的时间复杂度为n^2
…
如果

for(i=1,i<n,i++){
	for(j=i,j<n,j++){
	System.out.print();
	}
}

共运行了n+(n-1)+(n-2)+…+1 =n^2/2+n/2
最终得到的时间复杂度为o(n^2)

i=1;
while(i<100){
i=i*2
}

的时间复杂度为o(logn)

函数调用的时间复杂度，按照正常语句来算
时间复杂度大小比较:（实际上就是比较各函数的极值大小）
o(1)<o(logn)<o(n)<o(nlogn)<o(n方)<o(n三次方)<o(2的n次方)<o(n!)<o(n^n)
在应用中，我们提到的运行时间都是最坏情况的运行时间

算法的空间复杂度：通过计算算法所需的存储空间实现。
空间复杂度没有时间复杂度那么重要
算法中临时变量的个数与问题规模n无关，空间复杂度为o(1)
递归算法的空间复杂度为o(n)

通常时间复杂度指运行时间的需求，空间复杂度指空间复杂度

一般之说复杂度时，指时间复杂度。