意义
算法复杂度分析的意义在于评估算法的执行效率，找出最优解决方案，是优化算法和改进程序性能的基础。通过对算法的时间复杂度和空间复杂度进行分析，可以帮助我们预估该算法运行所需的资源，从而提高程序的性能。
大O复杂度表示法
例1
有如下代码
1 public int Calculate(int n)
2 {
3 int sum = 0;
4 for (int i = 0; i < n; i++)
5 {
6 sum += i;
7 }
8 return sum;
9 }
上述代码段中，假设每条语句执行的时间一样，为1个单位，记为\(1u\)。那么在上述代码片段中：
-
第3、8行执行分别需要1\(u\)
-
第4、5、6、7行代码循环执行了\(n\)次，那么就需要\(4n\)个\(1u\)
-
总的执行时间为\(T(n)=4n+2\)个\(1u\)。
我们借助在线函数绘图工具画出该函数的曲线如下：
我们可以看出一个规律：执行时间一定为正数，所以代码执行的总时间((\(4n+2\))X\(1u\))是和语句的执行次数(\(4n+2\))成正比的。
例2
1 public int Calculate(int n)
2 {
3 int sum = 0;
4 for (int i = 0; i < n; i++)
5 {
6 for (int j = 0; j < n; j++)
7 {
8 sum += i;
9 }
10 }
11 return sum;
12 }
同上，假设每条语句执行的时间一样，为1个单位，记为\(1u\)。那么在上述代码片段中：
-
第3、11行分别需要\(1u\)
-
第4、5、10行分别循环执行了\(n\)次，即执行需\(3n\)个\(1u\)
-
第6，7，8，9分别执行了\(n^2\)次，即执行需\(4n^2\)个\(1u\)
-
总的执行时间为\(t(n)=4n^2+3n+2\)个\(1u\)
画出该函数的曲线如下：
由上边两段推导代码执行时间的过程，可以得到一个重要规律：一段代码的执行时间\(T(n)\)与每一条语句的总执行次数（累加数）成正比，可以把这个规律总结为一个公式，如下：
其中，\(T(n)\)表示代码执行的总时间，\(n\)表示数据规模，\(f(n)\)表示每条语句执行次数的累加和，这个值与\(n\)有关，因此用\(f(n)\)这样一个表达式来表示，公式中的\(O\)符号，表示代码的执行时间\(T(n)\)与\(f(n)\)成正比。
实际上，大\(O\)时间复杂度并不具体表示代码真正执行的时间，而是表示代码执行时间随着数据规模增大的变化趋势，因此，也称为渐近时间复杂度（asymptomatic time complexity）,简称时间复杂度。
当\(n\)很大时，100000，1000000级别时，公式中的低阶，常量，系数3部分并不左右增长趋势，例如下面的曲线：
\(T(n)=4n+2\)曲线：
\(t(n)=4n^2+3n+2\)曲线，该曲线即使只到十位数的数量级，曲线就已经趋向于笔直的竖线：
所以低阶，常量，系数3部分可以忽略。我们只需要记录一个最大量级。如果用大\(O\)表示法表示上面的两个复杂的则是这样：
时间复杂度的分析方法
大O复杂度表示方法只表示一种变化趋势，我们通常会忽略公式中的常量，低阶和系数，只记录最大量级，因此，我们在分析一段代码时间复杂度的时候，我们也只需要关注循环执行次数最多的那段代码。
加法法则
加法法则：代码的总复杂度等于量级最大的那段代码的复杂度。
有如下代码片段，分析一下它的时间复杂度：
public int Calculate(int n)
{
//第一段
int sum1 = 0;
for (int i = 0; i < 100; i++)
{
sum1 += i;
}
//第二段
int sum2 = 0;
for (int i = 0; i < n; i++)
{
sum2 += i;
}
//第三段
int sum3 = 0;
for (int i = 0; i < n; i++)
{
for (int j = 0; j < n; j++)
{
sum3 += i;
}
}
//第四段
return sum1+ sum2+ sum3;
}
分析结果：
-
第一段，执行时间固定为常数，复杂度记为\(O(1)\)。
-
第二段，复杂度为\(O(n)\)。
-
第三段，复杂度为\(O(n^2)\)。
-
第四段，只执行一次，复杂度记为\(O(1)\)。
:::tip{title="提示"}
为什么第一段复杂度为常数？
注意大O复杂度的概念，时间复杂度表示的是代码执行时间随数据规模（\(n\)）的增长趋势，第一段代码中，无论\(n\)如何变化，它始终执行100次。在曲线图上画出来就是一条平行于X轴的直线，并不会体现出增长趋势，
:::
加法法则定义代码的总复杂度等于量级最大的那段代码的复杂度，用公式表达则是
如果有
那么
所以结论就是Calculate方法的时间复杂度为\(O(n^2)\)。
乘法法则
乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。
有如下代码片段，计算CalculateA方法的时间复杂度：
public int CalculateA(int n)
{
int sum = 0;
for (int i = 1; i <= n; i++)
{
sum += CalculateB(n);
}
return sum;
}
public int CalculateB(int n)
{
int sum = 0;
for (int i = 1; i <= n; i++)
{
sum += i;
}
return sum;
}
分析结果：
-
CalculateA方法的时间复杂度为\(O(n)\)。 -
CalculateB方法的时间复杂度为\(O(n)\)。
乘法法则定义嵌套代码的复杂度等于嵌套内外代码复杂度的乘积，用公式表达则是
如果有
那么
所以结论就是CalculateA的时间复杂度为\(O(n×n)\)=\(O(n^2)\)
常见的时间复杂度量级
常量级
只要代码的执行时间不随数据规模\(n\)变化，代码就是常量级时间复杂度，统一记作\(O(1)\)。
:::tip{title="注意"}
\(O(1)\)是常量级时间复杂度的一种表示方法，并不意味着只执行了一行代码。
:::
对数阶
对数阶时间复杂度非常常见，但它是最难分析的时间复杂度之一。
有如下代码段：
public int Calculate(int n)
{
int i = 1;
while (i <= n)
{
i *= 2;
}
return i;
}
如果想要分析该方法的时间复杂度，那就需要看执行次数最多的语句，一共执行多少次？
由上述代码中可以看出，变量i从1开始取值，每循环一次就乘以2，当i值大于n时，循环结束。写成公式则是这样：
我们简化一下就是这样：
所以得出解为：x的值为以2为底，n的对数
所以上文Calculate方法的时间复杂度为\(O(log_2n)\)
那如果我们把上述代码段中的i *= 2 修改为i *= 3，得到的时间复杂度就变成了\(O(log_3n)\)
那为什么标题中的表示的时间复杂不体现对数的底数呢？
因为根据对数的换底公式，
因此
其中\(C=log_32\)是一个常量，采用大O复杂度表示法的时候，忽略系数，即
因此，
所以对于对数阶时间复杂度，忽略对数的底数，统一表示为\(O(logn)\)。
多数据规模
这是一种特殊情况，时间复杂度由多个数据规模来决定。
有如下代码：
public int CalculateA(int m, int n)
{
int sum = 0;
for (int i = 1; i <= m; i++)
{
sum += i;
}
for (int i = 1; i <= n; i++)
{
sum += i;
}
return sum;
}
public int CalculateB(int m, int n)
{
int sum = 0;
for (int i = 1; i <= m; i++)
{
for (int j = 1; j <= n; j++)
{
sum += i;
}
}
return sum;
}
上述代码中，m,n表示两个无关的数据规模，最终代码的复杂度跟这两者都有关系，对于这两者无法事先评估谁的量级更大，所以在表达时间复杂度时都不可以省略，因此，上述代码中
- CalculateA符合加法法则，m，n不可省略，则得到的时间复杂度为\(O(m+n)\)
- CalculateB符合乘法法则，m，n不可省略，则得到的时间复杂度为\(O(mn)\)
空间复杂度
时间复杂度全称渐近时间复杂度，表示算法的执行时间于数据规模之间的增长关系，类比一下就能得到空间复杂度定义：
空间复杂度全称渐近空间复杂度，表示为算法的存储空间与数据规模之间的增长关系。
其分析规则与时间复杂度一致，类比学习即可。常见的空间复杂度有\(O(1)\)，\(O(logn)\)，\(O(n)\)，\(O(nlogn)\)，\(O(n^2)\) 等。其中\(O(logn)\)，\(O(nlogn)\)对数阶复杂度常见于递归代码。
参考资料
[1] 数据结构与算法之美 / 王争 著. --北京：人民邮电出版社，2021.6
[2] 大话数据结构 / 程杰 著. --北京：清华大学出版社，2011.6