先來明確2個名詞的概念：
時間複雜度：
書上對於時間複雜度的定義是這樣的：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的變化情況進而確定t（n）的數量級。演算法的時間複雜度，也就是演算法的時間量度，記作t（n）=o(f(n))。它表示隨問題規模n的增大，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)是時間規模n的某個函式。
如果看的頭疼，暫時理解為是衡量乙個演算法執行需要的計算工作量。
空間複雜度：
書上定義的是通過計算演算法所需的儲存空間實現，演算法空間複雜度的計算公式s(n) = o(f(n))，其中，n為問題規模，f(n)為語句關於n所佔儲存空間的函式。
暫理解為是指執行這個演算法所需要的記憶體空間。
定義理解完了，書上的理解不了，就理解成簡單的。後面深入了解的時候，也許就理解作者的定義了，時間複雜度用的比較多，也較為豐富，我們先來看看時間複雜度。再看時間複雜度之前，我們需要看3個準則。看不懂沒關係，知道有他們就好了，後續的內容慢慢就懂了。
如何推導大o階：
（1）用常數1取代執行時間中的所有加法常數，如o(1)。
（2）在修改後的執行次數函式中，只保留最高端數，如n²+n 為 o(n²)。
（3）如果最高端數存在且不是1，則去除與這個項相乘的常數，如3n³ 為 o(n³)。
看乙個演算法。稱為常數階
intsum =
0, n =
200;
// 執行一次
sum = (1
+ n) * n / 2;
// 執行一次
system.out.println(sum); // 執行一次
那麼他的f(n)=1+1+1=3 時間複雜度o（fn）
=1.為什麼是1不是3呢？ 看第乙個準則。不管f(n)等於多大的常數，他的時間複雜度o（fn）都是1.。簡單粗暴。
看第二個演算法。稱為線性階
for(
inti =
0; i < n; i++)
執行次數f(n)=
n 那麼時間複雜度o（fn）=n；
看第三個演算法。稱為對數階
intcount =
1;
while
(count < n)
有x個2相乘後大於n就會退出迴圈，利用高中數學知識由2的x次方等於n --> x = logn 那麼o（fn）=o（logn）
看第四個演算法。稱為平方階
for(
inti =
0; i < n; i++)
} 時間複雜度o（n*n）=o（
n²），這個不難，那麼看看下面這個演算法
for(
inti =
0; i < n; i++)
} 那麼需要執行的次數就是n+(n-1)+(n-2)+....+1=
n²/2+
n/2那麼按照上面的規則其實時間複雜還是
o（n²
）。所以考驗的其實還是高中的數學知識。
常用時間複雜度所耗費時間從小到大依次為：o(1) < o(logn) < o(n) < o(nlogn) < o(n²) < o(n³) < o(2n) < o(n!) < o(n²)
至於空間複雜度，就是一般拿空間換時間了，演算法的空間複雜度一般也以數量級的形式給出。如當乙個演算法的空間複雜度為乙個常量，即不隨被處理資料量n的大小而改變時，可表示為o(1)；當乙個演算法的空間複雜度與以2為底的n的對數成正比時，可表示為o(log2n)；當乙個演算法的空間複雜度與n成線性比例關係時，可表示為o(n)。用的好像並不多，通常沒有說明的時候，一般都是問時間複雜度，時間複雜度是乙個非常重要的概念，直接影響到我們的**執行效率。
大話資料結構學習之（一） 時間空間複雜度
推導大o階 1 用常數1取代執行時間中所有的加法常數 2 在修改後的執行次數函式中，只保留最高端 3 如果最高項存在且不是1，則去掉與這個項相乘的常數 得到的結果就是大o階。常數階 線性階如單層for迴圈 對數階如 while count如雙層for迴圈 下面的巢狀迴圈，時間複雜度是多少呢？int ...
一 時間複雜度
一 時間複雜度計算規則 1.基本操作，即只有常數項，其時間複雜度為o 1 比如if,print 與規模n無關 2.順序結構 按加法計算 3.迴圈結構，按乘法計算 4。分支結構，時間複雜度取最大值。二 常見時間複雜度與大小關係 常數項 o 1 12線性項 o n 2n 3平方項 o n 2 4n 3 ...
演算法（一）時間複雜度
演算法很重要，但是一般情況下做移動開發並不經常用到，所以很多同學早就將演算法打了個大禮包送還給了老師了，況且很多同學並沒有學習過演算法。這個系列就讓對演算法頭疼的同學能快速的掌握基本的演算法。過年放假階段玩了會遊戲nba2k17的生涯模式，沒有比賽的日子也都是訓練，而且這些訓練都是自發的，沒有人逼你...