算法复杂度基础 🧠
算法复杂度是衡量算法效率的关键指标，通常分为时间复杂度和空间复杂度。以下是核心内容：
1. 时间复杂度 💡
表示算法执行时间与输入规模的关系，常用 大O符号（O）描述。
- O(1)：常数时间复杂度（如数组访问）
- O(n)：线性时间复杂度（如遍历数组）
- O(log n)：对数时间复杂度（如二分查找）
- O(n²)：平方时间复杂度（如嵌套循环）
2. 空间复杂度 📦
表示算法所需内存空间与输入规模的关系。
- O(1)：固定空间（如简单变量赋值）
- O(n)：线性空间（如动态数组存储）
- O(n log n)：分治算法常见（如快速排序）
3. 常见复杂度类型 📊
| 复杂度 | 示例 |
|---|---|
| O(1) | 检查数组第一个元素 |
| O(log n) | 二分查找 |
| O(n) | 计算数组总和 |
| O(n²) | 冒泡排序 |
4. 复杂度分析方法 🧮
- 渐进分析：关注输入规模趋于无穷时的行为
- 最坏情况：评估算法的最大运行时间
- 平均情况：统计所有可能输入的运行时间（需概率模型）
- 经验分析：通过实际测试数据估算
如需深入学习算法分析，可参考：算法分析