算法复杂度解析

1、算法复杂度分为空间复杂度和时间复杂度。

2、复杂度一般有O(n),O(n^2)，O(logn),O(nlogn),O(1)。代表某个算法，占用时间和空间与数据之间的增量关系。n代表数据输入的量。

3、O(n) 代表随着数据量的增大，损耗的内存空间和损耗的时间随之增大。数据量增大多少倍，算法复杂度就增加多少倍。（时间复杂度：遍历算法）

4、O(n^2)代表数据量的增加，算法复杂度增大数据量的平方倍。好比数量增加为8倍，算法复杂度增加64倍。（时间复杂度：冒泡排序，对n个数进行排序计算，需要进行n×n次运算，比线性高）

5、O(logn)是当数据增大n倍的时候，算法复杂度增大logn倍，这个log是用2为底的。比如数据增大256倍，算法复杂度只增加8倍。也就是2的八次方等于256。（时间复杂度：二分查找法，一次找一半，比线性低）

6、O(nlogn)当数据增加n倍，算法复杂度增加n*logn被，也就是当数据增加256倍，算法复杂度增加256*8倍，高于线性，低于平方（时间复杂度：归并排序）。

7、O(1)最低的空间复杂度，这个复杂度与输入的数据无关。无论这个数据是多少，都可以一次性找到数据。（时间复杂度：哈希算法）