算法复杂度是衡量算法效率的核心指标，通常分为时间复杂度和空间复杂度。以下为关键知识点梳理：
1. 时间复杂度 🕒
- 表示算法执行时间与输入规模的关系
- 常见类型：
- O(1)：常数时间（如数组随机访问）
- O(log n)：对数时间（如二分查找）
- O(n)：线性时间（如遍历数组）
- O(n²)：平方时间（如双重循环嵌套）
- O(2ⁿ)：指数时间（如递归求解斐波那契数列）
- 📌 示例：
2. 空间复杂度 📦
- 表示算法所需内存空间与输入规模的关系
- 关键点：
- 原地算法（如冒泡排序） vs 额外空间算法（如快速排序）
- 避免内存泄漏，合理管理递归栈深度
- 📌 图解：
3. 大O表示法 📊
- 用于描述算法复杂度的渐进行为（Asymptotic Behavior）
- 忽略常数因子和低阶项，关注增长趋势
- 📌 深入解析：
4. 复杂度对比表 📈
| 算法类型 | 时间复杂度 | 空间复杂度 | 适用场景 |
|---|---|---|---|
| 堆排序 | O(n log n) | O(1) | 大数据排序 |
| 哈希表查找 | O(1) | O(n) | 需快速检索 |
| 动态规划 | O(n²) | O(n) | 优化重复子问题 |
5. 扩展阅读 📚
📌 注意：实际开发中需结合具体场景选择最优算法，复杂度分析是性能优化的基石！