算法时间复杂度分析：大O表示法

在开发的时候，我们如何评估一个算法的好坏，如何描述一个算法运行效率的高低呢？通俗一点的表达方法就是程序执行快或慢，但是这只是一种较为宽泛的描述，我们如何直观科学的用的描述它呢？

有同学可能会说，用其运行时间不就可以很好很直观的描述它了。不过，不同的语言，不同的编译器，不同的CPU来说，对程序的处理的时间是不同的，我们无法单单用运行时间来描述某个算法执行效率。另外，当需要处理的数据增长时，算法的基本操作要重复执行的次数也会增长，对于不同的算法的增长的速度也不一样。

数学果然是个不错的工具，为了描述算法的运行时间的增长情况，我们可以用不同数学公式来分析。在计算机科学上，我们是有专门的术语来表征算法的效率，就是今天要和大家一起学习的大O表示法。大O并不是表示算法运行需要多长时间，它表示的是算法运行时间的增速，即算法的运行时间以不同的速度增加，也叫渐进时间复杂度。

我们可以用下面的表达式来表示：

$$T(n)=O(f(n))$$

通常主要有以下几种表达式来描述时间复杂度：

• O(1)：常量时间
• O(n)：线性时间
• O(log n)：对数时间
• O(n^2)：二次方时间
• O(2^n)：指数时间
• O(n!)：阶乘时间

每种时间复杂度有所不同，下面我们一起来详细了解这几种时间复杂度。

O(1)

Q(1)表示常量时间复杂度，当给定大小为n的输入，无论n为何值，最后算法执行的时间是个常量。举个例子：

int func(int n)
{
   
    n++;
    return n*2;
}

上面的程序中，无论输入n的值如何变化，程序执行时间始终是个常量。我们简化处理一下，假如函数中每行语句的执行时间是1，则执行时间的数学表达式：

$$f(n)=2$$

无论n为多大，最后的执行时间都是2这个固定值。虽然是运行时间为2，但是这里我们也用O(1)来表示，这里的1代表是一个常数。

O(n)

O(n)表示线性时间复杂度，算法的执行时间随着输入n的大小成线性变化。

int func(int n)
{
   
    int sum = 0;
    for(int i=0; i<n; i++)