算法复杂度分析，如何分析，统计算法的执行效率和资源消耗

复杂度分析是整个算法学习的精髓

只要掌握了他，数据结构和算法的内容基本上就掌握了一半

为什么需要复杂度分析？

其实我可以把代码跑一遍，通过统计，监控就能得到算法执行的时间和占用内存大小。其实这是一种事后统计法，这种统计方法局限很大。
1、测试结果依赖测试环境
和测试机器的配置有关，机器越好，性能越好。
2、测试数据受数据规模影响

然而，我们需要一个不用具体的测试数据来测试，就可以粗略估算算法的执行效率和方法。

大O复杂度表示方法

int cal(int n) {   
	int sum = 0;   
	int i = 1;   
	for (; i <= n; ++i) {     
	sum = sum + i;   
	}  
	return sum; 
}

先来估算下这段代码的执行时间？
假设每一行代码的执行时间为unit_time
对于 CPU，每一行数据都执行着类似的操作：读数据-运算-写数据
第2，3行代码分别需要1个unit_time, 4，5行运行了n遍，因此需要2n*unit_time的执行时间，所以这段代码的执行时间就是（2n+2）*unit_time。可以看出来，所有代码的执行时间T(n)与每行代码的执行次数成正比

我们可以把这个规律总结成一个公式：
$$T(n)=O(f(n))$$
T(n):代码执行的时间
n代表数据规模的大小
f(n)每行代码执行次数总和
公式中的O，表示代码的执行时间T(n)与f(n)表达式成正比

大O时间复杂度表示法，实际上并不代表具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长变化大趋势，也称为渐进时间复杂度，简称时间复杂度。

当n很大时，你可以把它想象成10000 100000,公式中的低阶，常量，系数三部分并不左右增长趋势，所以可以忽略。

就可以记为：T(n) = O(n)。

时间复杂度分析
1、只关注循环执行次数最多的一段代码
只需记录一个最大阶的量级就可以，我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了

2、加法法则：总复杂度等于量级最大的那段代码的复杂度

3、乘法法则：嵌套代码的复杂度等于嵌套内外复杂度的乘积
如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).也就是说，假设 T1(n) = O(n)，T2(n) = O(n2)，则 T1(n) * T2(n) = O(n3)。落实到具体的代码上，我们可以把乘法法则看成是嵌套循环

int cal(int n) {
   int ret = 0; 
   int i = 1;
   for (; i < n; ++i) {
     ret = ret + f(i);
   } 
 } 
 
 int f(int n) {
  int sum = 0;
  int i = 1;
  for (; i < n; ++i) {
    sum = sum + i;
  } 
  return sum;
 }

几种常见时间复杂度实例分析

来源：极客时间