本文已参与「新人创作礼」活动，一起开启掘金创作之路。
大O表示法
评估算法性能，主要评估的问题是输入规模n与元素的访问次数f（n）的关系
O（g（n）），g（n）是这个算法的复杂度上界。
例如O（n^2），算法的最大消耗就是n^2，因为评估是往往把低阶项和常用省略。
所谓复杂度就是看循环内的语句执行次数的量级。
理解对数
2^4 = 16
以2为底数，增长10次就到达了1024
n^2就是整体取值的趋势
4 = log2^16，表示16以2为底数减少，减少4次为1
也可表示当指数以log2^n的速度增长时，那么对数整体以n^2的速度增长
从计算的角度理解复杂度
如果计算机一秒能处理O(n)的运算10的八次方次，那么一秒能处理O(n^2)的运算就为10的四次方次，一秒能处理O(n^3)的运算为500次。CPU处理的运算的次数是一样的，但是解决的问题的多少是不同的，能解决O(n)类型的问题10的八次方个的话，只能解决O(n^3)类型的问题500个，如果能将O(n^3)的问题转换为O(n)类型的问题，那么问题的解决效率将大大提高。
编辑
问题的复杂度高，意味着处理一个问题将花费的时间长，单位时间内计算的单位就很小，也就是计算的很慢。
编辑
相同的问题，如果复杂度是n，意味着有n的数量级次计算，如果是n^3，意味着有n^3数量级次计算。
递归形式算法的性能分析
求n的阶乘
static int f1(int n){ if(n==1) return 1; return n*f1(n-1); }
乘n是常数阶运算O（1），T（n）=O（1）+T（n-1），每次运算都是O（1），一共有n次，就是n*O（1），得O（n）。
斐波那契
public static int f1(int n){ if(n==1 || n==2) return 1; return f1(n-1) + f1(n-2); }
T（n） = T（n-1）+T（n-2）+O（1）
约等于 2T（n-1）+O（1）= 2（T（n-2）+T（n-3）+O（1））+O（1）
约等于 22T（n-2）+3O（1）
减多少次就乘多少个2
最后得2^n
