作為乙個正在學習的ios渣渣，演算法、資料結構、作業系統、網路相關已經基礎知識已經忘記差不多了。最近正在總結排序演算法，哎我滴媽，時間複雜度也不會估算，作為程式設計師這就有點可悲了，接下來就一點點點的重新再學一遍吧。先了解一下時間複雜度哇。
演算法時間複雜度定義
在進行演算法分析時，語句總的執行次數t(n)是關於問題規模n的函式，進而分析t(n)隨n的變化情況並確定t(n)的數量級。演算法的時間複雜度，也就是演算法的時間度量，記作：t(n) = o(f(n))，它表示隨著問題規模n的增大而增大，演算法執行時間的增長率和f(n)的增長率相同，稱作演算法的漸進時間複雜度，簡稱時間複雜度。其中f(n)是問題規模n的某個函式。
這樣用大寫o()來體現演算法時間複雜度的記法，稱之為大o記法。
一般情況下，隨著n的增大，t(n)增長最慢的演算法為最優演算法。
時間複雜度計算方法：推導大o階方法
推導大o階：
用常數1取代執行時間中的所有加法常數。
在修改後的執行次數函式中，只保留最高端項。
如果最高端項存在且不是1，則去除與這個項相乘的常數。
得到的結果就是大o階。通過這個步驟，得到演算法的執行次數的表示式後，很快就會得到演算法時間複雜度。
夥伴們注意啦，雖然根據大o階得演算法時間複雜度很容易，但是得到演算法的執行次數的表示式還是需要一點數學功底的。
常見的時間複雜度如o(1)、o(n)、o(n^2)、o(logn)，通常叫分別叫他們常數階、線性階、平方階、對數階，那麼接下來看幾個例子。
int
sum = 0, n = 100; //執行一次
sum = (1 + n)/2; //執行一次
int
sum = 0, n = 100;
for(int i = 0; i < n; i ++)
int
count = 1;
while(count
< n)
int
sum = 0, n = 100;
for(int i = 0; i < n; i ++)
int
sum = 0, n = 100;
for(int i = 0; i < n; i ++)
用推導大o階的方法，第一條，沒有加法常數不用考慮，第二條保留最高端，保留n^2/2，第三條，去除最高項常數，最後得到時間複雜度為o(n^2)，與未修改之前的時間複雜度是相同的。
常見的時間複雜度所耗時間的大小排列如下：
0(1)
<0(n2 ) <0(n3 ) <0(2")
平均執行時間是所有情況中最有意義的，因為它是期望的執行時間。也就是說，我們執行一段**時，是希望看到平均執行時間的，可現實中，平均時間複雜度很難通過分析得到，平均時間複雜度需要執行一定數量的實驗資料估算出來的。
時間複雜度介紹到這就結束了。後續學習繼續更新。
此次學習參考了程杰的《大話資料結構》。
演算法時間複雜度空間複雜度
演算法 是解決某一類問題的通法，即一系列清晰無歧義的計算指令。每個演算法只能解決具有特定特徵的一類問題，但乙個問題可由多個演算法解決。乙個演算法應該有以下五個方面的特性 比較演算法的優劣我們從兩個維度去進行考量 時間 空間 時間複雜度，空間複雜度 找出基本語句 演算法中執行次數最多的那條語句就是基本...
演算法 時間複雜度 空間複雜度
1 if i 1 2 a 1 result 3 4 result n 2 result 1000 1000 3 array.push a array.pop 4 map.set 1,1 map.get 1,1 在計算複雜度的時候，o 1 一般會被忽略。1 for let i 0 i n i 2 wh...
演算法複雜度 時間複雜度和空間複雜度
1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數...