开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第二十二天，点击查看活动详情
前言：上文学习到排序算法，今天带领大家走进算法的时间复杂度
时间复杂度
-
一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函 数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。
-
T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它 们的T(n) 不同，但时间复杂度相同，都为O(n²)。
-
计算时间复杂度
- 用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
- 修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
- 去除最高阶项的系数 T(n) = n²=> T(n) = n² => O(n²)
- 平方阶：2个 for 循环
常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2^n^)＜Ο(n)＜Ο(nlog2^n^)＜Ο(n ^2^ )＜ Ο(n^3^ )＜ Ο(n^k^ ) ＜Ο(2n ) ，随着问题规模n的不断增大，上述时间复杂度不断增大，算法的 执行效率越低
-
常数阶
无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)
int i = 2; int j = 3; ++i; j++; int m = i+j;它消耗的时候并不随着某个变量的增长而增长，那么无论这类代 码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度
-
对数阶O(log2^n^)
int i = 1; while(i<n){ i = i*2; }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。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 = log2n也就是说当循环 log2n 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(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log3n)
