前言
这是我参与更文挑战的第5天，活动详情查看： 更文挑战
我想要那个掘金T恤，好喜欢啊...
算法
算法（Algorithm）是求解一个问题需要遵循的，被清楚指定的简单指令的集合。
一个算法的评价主要从时间复杂度和空间复杂度来考虑。而时间复杂度是一个函数，定性描述该算法的运行时间，通常用大O符号表示。
常见的时间复杂度有O(1),O(logn),O(n),O(n^2),O(2^n)…等。
下面就来讲讲时间复杂度是怎么推算出来的吧。
时间复杂度
在计算机科学中，时间复杂性，又称时间复杂度，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用
大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。
时间复杂度计算
我们定义算法中的语句执行次数称为语句频度或时间频度为T(n)。即T(n)表示程序的执行次数 。
方法1执行多少次：
public int method1(){
System.out.println("hello"); //执行1次
return 0; //执行1次
}
没错，它内部一共执行2次。
那么我们来看下面的方法2执行几次：
public int method2(int n){
for(int i = 0; i<n ; i++){
//i = 0 执行1次，i<n 执行n+1次，i++执行n次
System.out.println("hello"); //输出语句执行n次
}
return 1; //return 执行一次
}
对，它一共执行了 3n+3 次。那么对于方法1就有 T(n) = 2；对于方法2就有 T(n) = 3n + 3。
实际的代码肯定比示例中的代码复杂得多，去统计代码的执行次数显然不可能，所以算法一般使用T(n)的渐进估算值来反映代码的执行速度。而这个估算值我们用”时间复杂度”来表示。
所以针对方法1和方法2，如何根据T(n)估算出时间复杂度：
- 对于 T(n) = 2 ，由于T(n)是一个常数，那么时间复杂度可以直接估算为 1 。所以T(n) = 2 的时间复杂度为 1。 用标准的时间复杂度函数表示就是 O(1)。
- 对于T(n) = 3n + 3 ，随着n值得不断增长，常数3相对于3n来说可以忽略不计。而系数一般也会估算成1。相当于去掉了系数和常数，则该时间复杂度为n。 用时间复杂度函数表示就是O(n)。
- 依次推广到如下多项式中： 对于T(n) = 3n^2 + 3n + 3. 随着n值得不断增大，多项式后面的项的增长就远没有n^2的增长大，可以直接舍弃低阶项和常数项，则只保留n的次方数最大的那一项，所以它的时间复杂度就为O(n^3)。
总结以上规律：
- T(n)是常数：时间复杂度为O(1)；
- T(n)不是常数：时间复杂度为O(T(n)的最高次项并且去掉最高次项的系数)。
常见的时间复杂度
方法1的时间复杂度为 O(1)：
//时间复杂度为 O(1)
public void m1(){
System.out.println("A");
System.out.println("B");
...
System.out.println("L");
}
方法2的时间复杂度为 O(n)：
//时间复杂度为 O(n)
public int method2(int n){
for(int i = 0; i < n ; i++){
System.out.println("a");
}
return 1;
}
方法3 时间复杂度为 O(n^2)：
//时间复杂度为 O(n^2)
public void method3(int n){
for(int i = 0; i < n ; i++){
for(int j = 0 ; j < i ; j ++){
System.out.println("a");
}
}
}
方法4的时间复杂度为O(logn)：
public void method4(int n){
int i = 1;
while(i<n)
{
i = i * 2;
}
}
从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2^n 也就是说当循环 log2^n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(logn)
方法5的时间复杂度为O(nlogN) :
public void method5(int n) {
for (int m = 1; m < n; m++) {
int i = 1;
while (i < n) {
i = i * 2;
}
}
}
线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。
一般常见的时间复杂度进行如下排序(由快到慢)。
再用曲线图看一下时间复杂度。
从图中也可以看出，随着元素变多，指数、阶乘级别的增长是最快的。显而易见其执行效率最低。
时间复杂度的差异
我们来举个例子：
算法A的相对时间规模是T（n）= 100n，时间复杂度是O(n)
算法B的相对时间规模是T（n）= 5n^2，时间复杂度是O(n^2)
算法A运行在老旧电脑上，算法B运行在某台超级计算机上，运行速度是老旧电脑的100倍。
那么，随着输入规模 n 的增长，两种算法谁运行更快呢？
从表格中可以看出，当n的值很小的时候，算法A的运行用时要远大于算法B；当n的值达到1000左右，算法A和算法B的运行时间已经接近；当n的值越来越大，达到十万、百万时，算法A的优势开始显现，算法B则越来越慢，差距越来越明显。
这就是不同时间复杂度带来的差距。
总结
学好算法，则必须要理解时间复杂度这个重要基石。通过以上的分析，相信大家对时间复杂度有了一定的了解，大家共同进步，加油。
