時間複雜度是衡量演算法好壞的乙個重要指標。
衡量**的好壞，包含兩個非常重要的指標
如果**沒有執行起來，怎樣預知到**執行所消耗的時間呢？
**由於執行環境和輸入規模的影響，**的絕對執行時間是無法估計的，但是為我們可以預估出**的基本操作的執行次數。通過**的執行次數來判斷**的好壞
基本執行次數
關於**的基本操作執行次數，使用生活的場景來做一下比喻。
上面的四個例子分別對應了程式中最常見的四種執行方式。
場景一：
t（n）=3n，執行的次數是線性的
場景二：
t（n）=5logn 執行的次數是對數的
場景三：
t(n)=2 執行的次數是常量的。
場景四：
t（n）=0.5n*2+0.5n 執行的次數是乙個多項式（多項式是單項式的和或者差，單項式是乙個數字，乙個字母或者乙個分式，或者乙個數字與字母的乘積）
漸進時間複雜度
有了基本操作執行次數的函式t（n）,是否就可以分析和比較一段**的執行時間了呢？
還是有一定難度的。
比如演算法a的相對時間是t（n)=100n,演算法b的時間是t（n）=5n*2,那麼這兩個到底誰的執行時間更長一些？這就要看n的取值了。
所以這有了漸進時間複雜度的概念，官方的定義如下：
若存在函式f(n)，使得當n趨近於無窮大的時候，t(n)/f(n)的極限值為不等於0的常數，則稱f(n)是t（n）的同數量級函式。
記作t（n）=o(f(n)),稱o（f(n)）為演算法的漸進時間複雜度，簡稱時間複雜度。
漸進時間複雜度用大寫o 來表示，所以也被稱為大o表示法，簡寫為t（n）
直白的講，時間複雜度就是把時間規模函式t（n）簡化為乙個數量級，這個數量級可以是n,n^2, n^3等等
如何推導出時間複雜度呢？有如下幾個原則：
好，現在回過頭看看剛才的四個場景
場景一：
t（n）=3n，最高端項為3n,省去係數3，轉化為時間複雜度為：t（n）=o(n)
場景二：
t（n）=5logn,最高端項為5logn，省去係數5，轉化為時間複雜度為：t（n）=o(logn)
場景三:
t(n)=2,只有常數量級，轉化的時間複雜度為t（n）=o(1)
場景四：
t(n)=0.5n^2+0.5n，省去係數0.5，轉化的時間複雜度為：t（n）=o(n*2)
這四種時間複雜度究竟誰用時更長，誰更節省時間呢？稍微思考一下就可以得出結論。
（這個的話可以畫圖進行比較）
o（1）在程式設計的世界中有著各種各樣的演算法，除了上述的四個場景，還有許多不同形式的時間複雜度，比如：
o（nlogn）,o(n3),o(mn),o(2*n),o(n!)
分析演算法時，存在著幾種可能的考慮：
對於最優時間複雜度，太過理想，對於最壞時間複雜度，提供了一種保證，對於平均時間複雜度是對演算法的乙個全面評價，因此他完整全面的反映了這個演算法的性質。
如果沒有提示的話，預設是最壞的時間複雜度。
eg:
for a in range(0,1001):
for b in range(0,1001):
for c in range(0,1001):
if a**2+b**2==c**2 and a+b+c=1000:
print(a,b,c)
for a in range(0,1001):
for b in range(0,1001):
c=1000-a-b
if a**2+b**2=c**2
print(a,b,c)
dfs時間複雜度 時間複雜度 空間複雜度
時間複雜度的數學證明方法相對比較複雜，通常在工程實際中，會分析就好。注意 只看最高複雜度的運算 int for for for for int遞迴如何分析時間複雜度？常數係數可以忽略，在分析時不用考慮，只要說以上術語即可。主定理 master throrem 上述第四種是歸併排序，所有排序演算法，最...
時間複雜度 空間複雜度
時間複雜度 在電腦科學中，演算法的時間複雜度是乙個函式，它定性描述了該演算法的執行時間。這是乙個關於代表演算法輸入值的字串 的長度的函式。時間複雜度常用大o符號 表述，不包括這個函式的低階項和首項係數。計算時間複雜度的方法 1 只保留高階項，低階項直接丟棄 2 係數不要 3 執行次數是常數是為o 1...
時間複雜度 空間複雜度
演算法複雜度分為時間複雜度和空間複雜度。其作用 時間複雜度是指執行演算法所需要的計算工作量 而空間複雜度是指執行這個演算法所需要的記憶體空間。一 時間複雜度 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...