数据结构中的复杂度学习
一，关于时间复杂度与空间复杂度
算法效率的度量是通过时间复杂度和空间复杂度来进行描述的，时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。但我们在题目中判定一个程序是否优秀时，却很少看到用空间复杂度来判定，这是为什么呢？
空间复杂度与之相关的部件是内存，那我们思考一个问题，如果我们所拥有的内存大小让我们不必在使用他时担心它够不够用，那空间复杂度是不是就不那么重要了呢？答案是肯定的。接下来我为各位看官介绍摩尔定律，相信大家心里的疑惑就能消除许多。大家请看：
摩尔定律是英特尔创始人之一戈登·摩尔的经验之谈，其核心内容为：集成电路上可以容纳的晶体管数目在大约每经过18个月到24个月便会增加一倍。换言之，处理器的性能大约每两年翻一倍，同时价格下降为之前的一半。
摩尔定律是内行人摩尔的经验之谈，汉译名为“定律”，但并非自然科学定律，它一定程度揭示了信息技术进步的速度。
所以我们在学习过程中重点掌握时间复杂度，因为时间复杂度跟CPU挂钩，决定了算法执行的时间，但是CPU的发展已经接近瓶颈，所以现在的厂商致力于增加CPU的核心数，并且在平常使用中，运行速度在人们心中更为重要。
二，时间复杂度如何衡量？
时间复杂度如何衡量呢？在一个程序的开头和结尾各放置两个计时器，运行结束后将得到的两数相减所得的值，不就可以用来和其他的程序比较吗？这固然是一个方法，直观还容易比较。但是，比较的两个机器的硬件可能是不同的，一个CPU为8核和2核的机器运行一个相同的代码，按照上面的这种判定方式，他两的时间一定相同吗？答案显而易见。那么该如何比较呢？我们使用大O渐进表示法，下来向大家介绍这种方法：
三，大O渐进表示法
1. 大O渐进表示法如何计算时间复杂度：
我们先来看一看时间复杂度的定义：
在计算机科学中，时间复杂性，又称时间复杂度，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。来自于百度百科
从中我们可以知道，**时间复杂度是一个函数，但是不包括这个函数的低阶项和首项系数。**前者我们可以通过下面给出的例子容易知道，后者我们之后介绍。
定义：大O符号是用于描述函数渐进性为的数学符号。
计算复杂度时我们计算的是通过计算算法中的基本操作的执行次数，来侧面对运行时间进行估算。
大O渐进法的使用方法：
① 用 常数1 取代运行时间中的所有加法常数。
② 在修改后的运行次数函数中，只保留最高阶项。
③ 如果最高阶存在且不是1 ，则去除与这个项目相乘的常数。最后得到的结果就是大O阶。
2.先向大家举一个计算的例子
请问这串代码的时间复杂度是多少？
void Func2(int N){
int count =0;
for (int k = e ; k < 2 * N ; ++ k){
++count;
}
int M= 10;
while(M--){
++count;
}
printf("%d\n"，count)
}
根据代码我们可以得出 ：
F ( N ) = 2 ∗ N + 10 ; F(N) = 2 * N + 10; F(N)=2∗N+10;
得到他的时间复杂度为O(N).
从公示我们可以看到，时间复杂度实际上就是一个函数。
那为什么2 * N + 10 会的得到时间复杂度为O(N)。
之后会更新O(1)，O(N),O( 2 N 2^N 2N)等不同情况下的复杂度如何计算