一、算法的时间复杂度
1、度量一个程序（算法）执行时间的两种方法
（1）事后统计的方法
这种方法可行，但是有两个问题：一是要想设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素，这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。
（2）事前估算的方法
通过分析某个算法的时间复杂度来判断哪个算法更优。
2、时间频度
（1）基本介绍
时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。
一个算法中的语句执行次数称为语句频度或时间频度，记为 T(n)。
（2）举例说明—基本案例
比如计算 1-100 所有数字之和，设计两种算法
（3）举例说明—忽略常数项
结论：
1）2n+20 和 2n 随着 n 变大，执行曲线无限接近，20可以忽略
2）3n+10 和 3n 随着 n 变大，执行曲线无限接近，10可以忽略
（4）举例说明—忽略低次项
结论：
1）2n^2+3n+10 和 2n^2 随着 n 变大，执行曲线无限接近，可以忽略 3n+10
2）n^2+5n+20 和 n^2 随着 n 变大，执行曲线无限接近，可以忽略 5n+20
（5）举例说明—忽略系数
结论：
1）随着 n 值变大，5n^2+7n 和3n^2+2n，执行曲线重合，说明这种情况下，5和3可以忽略。
2）而 n^3+5n 和 6n^3+4n ，执行曲线分离，说明多少次方式关键
3、时间复杂度
1）一般情况下，算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数，用 T(n) 表示，若有某个辅助函数 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。
2）T(n) 不同，但时间复杂度可能相同。如：T(n)=n^2+7n+6 与 T(n)=3n^2+2n+2 它们的 T(n) 不同，但时间复杂度相同，都为 O(n2)。
3）计算时间复杂度的方法：
-
-
- 用常数1代替运行时间中的所有加法常数 T(n)=n2+7n+6 => T(n)=n2+7n+1
- 修改后的运行次数函数中，只保留最高阶项 T(n)=n2+7n+1 => T(n)=n2
- 去除最高阶项的系数 T(n)=n2 => T(n)=n2 => O(n2)
-
4、常见的时间复杂度
1) 常数阶 O(1)
2) 对数阶 O(log2n)
3) 线性阶 O(n)
4) 线性对数阶 O(nlog2n)
5) 平方阶 O(n2)
6) 立方阶 O(n3)
7) k次方阶 O(nk)
8) 指数阶 O(2n)
常见的时间复杂度对应的图
说明：
1）常见的算法时间复杂度由小到大依次为：
O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(nk) < O(2n)
随着问题规模 n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低
2）从图中可见，应该可能避免使用指数阶的算法
5、平均时间复杂度和最坏时间复杂度
二、算法的空间复杂度
基本介绍
（1）类似于时间复杂度的讨论，一个算法的空间复杂度（Space complexity）定义为该算法所消耗的存储空间，它也是问题规模n的函数。
（2）空间复杂度（Space Complexity）是对一个算法在运行过程中临时占用存储空间大小的量度。有的算法需要占用的临时工作单元数与解决问题的规模 n 有关，它随着 n 的增大而增大，当 n 较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况。
（3）在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品（redis,memcache）和算法（基数排序）本质就是用空间换时间。