在學習演算法與資料結構之前，首先得明白兩個複雜度分析，時間和空間。
先說時間，這裡並不是說一段程式具體會執行多少s，因為不同的電腦硬體會造成運算時間的差異，比如i9的cpu一定比i3的cpu跑的快；另一方面，不同的資料規模，也會造成同乙個演算法執行花費不同的時間，典型如排序演算法。
所以這裡，把每句程式的執行時間當作乙個單位時間，然後通過計算該程式執行了多少次，來計算時間複雜度的。例如：
for
(int i =
0;i < n; i++
)
類似的，如下面的例子：
for
(int i =
0; i < n; i++
)}
o(n)，o(n2)這算是最簡單，最常見的兩種時間複雜度了，那麼有沒有其他的時間複雜度呢？看下面這個例子：
int i =1;
while
(i < n)
首先第三行**執行的次數是最多的；其次，數學比較好的同學應該能馬上反應過來，這其實就是乙個公比為2的等比數列，每一次的判斷條件可以寫成：201x
< n。
換句話說，當第三行**執行第 x 次的時候，迴圈結束，此時有2x=n, 則x = log2n, 於是，記該演算法的時間複雜度為o(logn)。
那或許有同學問了，如果為i = i * 3呢，大家還記得對數函式的換底公式嗎，可以動手算算看哦。
當然了，時間複雜度不僅僅只有這三種，其他複雜度的介紹會在後續具體的演算法中分析，感興趣的同學也可以主動去google。
相對時間複雜度來說，空間複雜度就太簡單了。空間複雜度並不是說一段**占用了多大的儲存空間，而是說，在一段**執行的過程中，額外申請了多少記憶體。舉個例子：
for
(int i =
0;i < n; i++
)
再看乙個例子：
int
a =
newint
[n];
for(
int i =
0; i < n; i++
)
複雜度分析 時間複雜度分析和空間複雜度分析
其實，只要講到資料結構與演算法，就一定離不開時間 空間複雜度分析。而且我個人認為，複雜度分析是整個演算法學習的精髓，只要掌握了它，資料結構和演算法的內容基本上就掌握了一半。1.時間複雜度分析 對於剛才羅列的複雜度量級，我們可以粗略地分為兩類，多項式量級和非多項式量級。其中，非多項式量級只有兩個 o ...
複雜度分析 時間複雜度 空間複雜度
執行效率是演算法的乙個重要的考量指標，演算法的執行效率用時間 空間複雜度來衡量。今天我們來學習一下複雜度的分析。通常我們可以通過執行程式來獲得演算法的真正的執行時間，這種方法我們可以稱為事後統計法，但這種方法得到的是具體的資料，測試結果很依賴測試環境，而且受資料規模影像最大。因此，我們需要乙個不需要...
複雜度分析（上）時間複雜度 空間複雜度
為了肉眼 實時 快速地來分析出 的複雜度，我們需要乙個不用具體的測試資料來測試，就可以粗略地估計演算法的執行效率的方法。時間複雜度 空間複雜度 表示演算法的執行時間與資料規模之間的增長關係。每行 對應的 cpu 執行的個數 執行的時間都不一樣，但是，我們這裡只是粗略估計，所以可以假設每行 執行的時間...