算法时间复杂度-BigO

BigO表示法

BigO表示法俗称大O表示法，描述了最坏情况下算法的速度有多快。

这个速度具体指的是运行时间的增速。

写做：O(n)，n表示的是操作次数的大小，对常数不敏感。

举个例子， 下图（第一种情况）线性查找如果想找到元素6， 我们需要按照顺序遍历每个元素，比较次数为6，所以其时间复杂度为O(n)，也称线性时间。

（第二种情况）二分查找（Binary Search）如果想要找到元素6，我们在列表中间取一个元素与6比较，如果小于6，那么我们对右面剩余元素做同样的操作。其比较次数为3， 所以其时间复杂度为O(logn)，为对数时间。

很明显从这个例子能了解到，对数时间比线性时间更快，效率更高，如果搜索的元素越多，后者更快。

而只知道算法需要多长时间是不够的，大O表示法主要描述了，算法有多快，也就是运行时间如何随着输入元素的数量增加而增加。

小例子

再来思考一个问题， 如果在一个1024个电话数量的电话本里查找性张的姓氏，二分查找是一个好的选择，在最坏情况下相比于从头到尾的线性查找，二分查找只需要10次便可以找到我们要的姓氏。

思考一下，如果2048个电话数量呢？

时间复杂度的平均情况

虽然大O描述的是最坏情况下，算法的速度有多快，但是算法的平均运行时间也是很重要的。

回忆一下合并排序，最坏情况下其运行时间为O(nlogn)。
快速排序，最坏情况下运行时间为O(n^2),平均情况下为O(nlogn)。

但是快速排序相对于更快。

原因一：遇上平均情况比遇上最坏情况可能性更大。

原因二：大O表示法其实是O(c*n)， 一般是不考虑常数的c的，因为常数的影响很小，但有时候常数的影响很大，例如合并排序和快速排序，后者的常数比前者小。

快速排序最坏情况

快速排序最佳情况（平均情况）

快速排序的最坏情况为每次选择第一个元素作为基准值，但如果每次随机选择一个元素作为基准值，其平均情况也就是最佳情况。也就是快速排序更快的原因。