算法复杂度分为时间复杂度和空间复杂度，二者也是衡量代码的好坏两个重要指标：

• 时间复杂度：指执行算法所需要的计算工作量；
• 间复杂度：指执行这个算法所需要的内存空间。

算法的复杂性体现在运行该算法时的计算机所需资源的多少上，计算机资源最重要的是时间和空间（即寄存器）资源，因此复杂度分为时间和空间复杂度。

1. 概念理解

1.1 基本执行次数：T(n)

由于运行环境和输入规模的影响，代码的绝对执行时间是无法估计的，但我们可以估算出代码的基本执行次数。

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用这个函数来表达相对时间，可以记作 T(n)。

1.2 时间复杂度：O(n)

因为执行规则具有不确定性（文章下面就列举4种可能）， 所以T(n) 不足以分析和比较一段代码的运行时间，就有了渐进时间复杂度（asymptotic time complexity）的概念，官方的定义如下：

若存在函数 f（n），使得当n趋近于无穷大时，T（n）/ f（n）的极限值为不等于零的常数，则称 f（n）是T（n）的同数量级函数。记作 T（n）= O（f（n）），称O（f（n）） 为算法的渐进时间复杂度，简称：时间复杂度。

渐进时间复杂度用大写“O”来表示，所以也被称为大O表示法。

算法时间复杂度里有O(1), O(n), O(logn), O(nlogn), O(n^2)的概念，这是算法的时空复杂度的表示。

它不仅仅用于表示时间复杂度，也用于表示空间复杂度。

O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。

1.3 空间复杂度：S(n)

与时间复杂度类似，空间复杂度是指算法在计算机内执行时所需存储空间的度量，记作：S(n)=O(f(n)) 。

上面提到过，O(n)不仅仅用于表示时间复杂度，也用于表示空间复杂度。

2. 场景分析：

这是针对时间复杂度的场景分析，时间复杂度排序为：O（1）< O（log2n）< O（n）< O（n^2）

场景1：T（n） =  O（1）

表示算法的运行时间为常量，这是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。

哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）。

场景2：T（n） =  O（log2n）

当数据增大n倍时，耗时增大log n倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。

二分查找就是O(log n)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。

场景3：T（n） =  O（n）

表示该算法是线性算法，数据量增大几倍，耗时也增大几倍。

比如常见的for循环遍历，要找到一个数组里面最大的一个数，你要把n个变量都扫描一遍，操作次数为n，那么算法复杂度是O(n)。

场景4：T（n） =  O（n^2）

代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。

比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。

在编程的世界中有着各种各样的算法，除了上述的四个场景，还有许多不同形式的时间复杂度，我们按照时间复杂度，按数量级递增依次排列为：

常数阶 O（1） <  对数阶（log2n） < 线性阶 O（n）<  线性对数阶 O（nlog2n） < 平方阶 O（n^2） < 立方阶 O（n^3） < k次方阶 O（n^k） < 指数阶 O（2^n）……

3. 算法比较：

排序算法	平均时间	最差情形	稳定度	额外空间	备注
冒泡	O(n 2 )	O(n 2 )	稳定	O(1)	n 小时较好
交换	O(n 2 )	O(n 2 )	不稳定	O(1)	n 小时较好
选择	O(n 2 )	O(n 2 )	不稳定	O(1)	n 小时较好
插入	O(n 2 )	O(n 2 )	稳定	O(1)	大部分已排序时较好
基数	O(log R B)	O(log R B)	稳定	O(n)	B 是真数 (0-9) ， R 是基数 ( 个十百 )
Shell	O(nlogn)	O(n s ) 1<s<2	不稳定	O(1)	s 是所选分组
快速	O(nlogn)	O(n 2 )	不稳定	O(nlogn)	n 大时较好
归并	O(nlogn)	O(nlogn)	稳定	O(1)	n 大时较好
堆	O(nlogn)	O(nlogn)	不稳定	O(1)	n 大时较好

 

借鉴了一些官方统计，再加上自己的理解，整理了一篇比较全面的关于介绍时间复杂度的博客，内容涵盖了从概念延伸到原理，再到算法的总结，希望对大家有一定的帮助。

 

少侠请留步 ... ヾ(◍°∇°◍)ﾉﾞ ... 
欢迎点赞、评论、加关注，让更多人看到学到赚到
更多精彩，请关注我的"今日头条号"：Java云笔记