算法复杂度

算法复杂度的目的：分析代码执行的时间成本。
我们从五个方面来介绍算法复杂度：
时间复杂度、时间复杂度分类、时间复杂度计算规则、空间复杂度、实践

时间复杂度

什么是时间复杂度？
做一件事情需要花费多少时间：花费时间举例：眨眼、口算1+1、找个女朋友
通过上面的总结出来的表达式，我们知道，表达式中具体的数字10其实处于一个次要的关系，其实我们在总结规律的时候，其实就是将所有和主干无关的条件都抛开，就分析主干，在我们这里其实本质上是T和n的关系。

如果将次要关系都慢慢的省略掉的话，就会逐渐演变成一个渐变的函数O(g(n)),我们一般把这种渐进的表示方法，
称为：大O记法
渐变函数(规律函数)：其实就是所谓的“g(n)长大后我就成了你O(g(n))”
他的重点是：规律趋势
所以，我们可以将这个表达式，最终演变成一个T和n的表达式:
假设存在算法A函数g(n)=nn10，总结规律时候，把无关紧要的条件10去除掉，就变成了一个渐进的算法A函数O
(g(n))，所以最终的时间T(n)=O(g(n))
我们一般称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，标记为T(n)

时间复杂度分类

分析算法时，存在几种可能的考虑：
算法完成工作最少需要多少基本操作，即最优时间复杂度
算法完成工作最多需要多少基本操作，即最坏时间复杂度
算法完成工作平均需要多少基本操作，即平均时间复杂度

最优时间复杂度：
其价值不大，因为它没有提供什么有用信息，其反映的只是最乐观最理想的情况，没有参考价值。
最坏时间复杂度：
提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。
平均时间复杂度：
是对算法的一个全面评价，因此它完整全面的反映了这个算法的性质。但另一方面，这种衡量并没有保证，不是每个
计算都能在这个基本操作内完成。而且，对于平均情况的计算，也会因为应用算法的实例分布可能并不均匀而难以计算。
我们知道有一个“木桶原理”，所以我们把问题最坏的一个条件作为处理该问题的最低标准，所以我们平常所说的时
间复杂度，其实说的是"最坏时间复杂度"。

基本计算规则

时间复杂度的6条基本计算规则
1、基本操作，即只有常数项
简单来说：没有数量规模，就执行一次
时间复杂度：O(1)
2、顺序结构，时间复杂度按加法进行计算
简单来说：一步一步的执行下去

时间复杂度：O(n)
3、循环结构，时间复杂度按乘法进行计算
简单循环：就是批量执行多次
比如3层循环
时间复杂度：O(n3)
递归循环：重复同样的步骤的重复次数
时间复杂度O(logn)
4、分支结构，时间复杂度取最大值
简单来说：就是多分支if语句，找一个时间最长的作为标准的时间
5、判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
6、在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度