事后统计法：运行代码，通过统计，监控，得到算法执行的时间和占用的内存。
事后统计法的局限性：
1、测试结果依赖于测试环境。
- I9 cpu 和I3 cpu运算速度的不同，导致代码执行的快慢也不同。
2、测试结果受到数据规模的影响很大。
- 对于同一个排序算法，待排序数据的有序度不一样，对于执行时间就有很大的区别；测试数据的规模大小，也会影响算法的性能，小规模的数据培训，插入可能反而比快速排序要快。
大O复杂度表示法：从cpu角度来看，每行代码都执行类似的操作：读数据-运算-写数据，尽管每行代码对应cpu执行个数，时间都不一样，但是做粗略运算，每行代码时间近似看做相等，计作unit_time。
例子：
int cal(int n )
{
int sum = 0; //unit_time
int i = 1; //unit_time
int j = 1; //一个unit_time
for(;i<=n;i++) //n个unit_time
{
j =1 ; //n个unit_time
for(;j<=n;j++) //n个 n个unit_time
{
sum = sum + i * j ; // n个 n个unit_time
}
}
}
//总的时间复杂度 T(n) = (2n² + 2n + 3) * unit_time。类似于高数求极限 所以T(n) = O(n²)。
时间复杂度分析的三个使用的方法：
1、只关心循环次数最多的一段代码 //类似于高数求极限 当n->∞，求T(n)
2、加法法则:总时间复杂度等于量级最大的那段复杂度。
代码分为三个部分，sum_1 ,sum_2,sum_3，第一段代码虽然执行了100次，但是仍然是常量执行时间，与n的规模无关。第二段第三段为O(n)和O(n²) //还是求高数中极限的问题 。当n->∞,lim T(n) = O(n²)
3、乘法法则：嵌套代码的复杂度等于内外代码复杂度的乘积。
几种常见时间复杂度分析：
对于复杂度量级可以粗略分为两类：多项式量级和非多项式量级。非多项式用绿色波浪标注。把时间复杂度为非多项式量级的算法称作NP(Non-Deterministic polynomial)非确定多项式问题。当数据规模 n 越来越大时，非多项式量级算法的执行时间会急剧增加，求解时间会无限增长。
常见的多项式量级:
1、O(1)：代码执行时间不随着n的增大而增大，都称作常数量级的时间复杂度。
2、O(logn)、O(nlogn)
int i = 1
while(i <= n)
{
i = i *2 ;
}
变量i的值从1开始取，没循环一次乘以2，取值过程为一个等比数列：
当第x次，恰好大于n，所以x = log2n，时间复杂度O(log2n)
但是实际上，不管是以几为底( i = i * 3 ;//以三为底, i = i * 10 ;//以十为底)，都可以把所有对数阶时间复杂度记作O(logn)
因为对数之间是可以相互转换的，log3n等于log3 2 * log 2 n 所以相差一个常量 C = log 3 2 ，可以忽略。所以在对数阶时间复杂度表达里面，忽略对数的“底”，统一记作O(log n)，所谓O(nlogn) 就是把时间复杂度O(logn)的代码执行n次，如归并排序和快速排序。
3、O(m+n) 、 O(m * n)
int cal(int m, int n) {
int sum_1 = 0;
int i = 1;
for (; i < m; ++i) {
sum_1 = sum_1 + i;
}
int sum_2 = 0;
int j = 1;
for (; j < n; ++j) {
sum_2 = sum_2 + j;
}
return sum_1 + sum_2;
}
m和n是两个数据规模，无法事先评估m和n的大小，所以上述代码时间复杂度O(m + n)。同理得到O(m * n )
时间复杂度全称：渐进时间复杂度，表示算法的执行时间和数据规模之间的增长关系。
空间复杂度全称：渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。
最好时间复杂度(best case time complexity)
最坏情况时间复杂度(worst case time complexity)
平均情况时间复杂度(average case time complexity)
均摊时间复杂度(amortized time complexity)
最好时间复杂度(best case time complexity)
最坏情况时间复杂度(worst case time complexity)
//查找n个数数组中的某一个数
// n 表示数组 array 的长度
int find(int[] array, int n, int x) {
int i = 0;
int pos = -1;
for (; i < n; ++i) {
if (array[i] == x) {
pos = i;
break;
}
}
return pos;
}
//最好时间复杂度 查找第一个元素即为我们需要的变量x --------O(1)
//最坏时间复杂度 遍历整个数组找到我们需要的变量x -------O(n)
平均情况时间复杂度(average case time complexity)
查找变量x在数组中的位置，有n+1种情况：在数组的0~n-1位置中和不在数组中，考虑每种情况，然后再除以情况n + 1种情况数。
根据时间复杂度的大O标记法，省去系数，常量，低阶，简化后为：O(n)。
但是实际情况并不是这样，数组的0~n-1位置中和不在数组中发生的概率是不同的。假设在数组中和不在数组中的概率1/2，另外查找数据出现在数组的0~n-1位置中任意位置的概率就是1/(2n)，所以平均时间复杂度：
该值叫做概率论中加权平均值，也叫期望值，所以平均时间复杂度全称：加权平均时间复杂度或者期望时间复杂度。
根据时间复杂度的大O标记法，省去系数，常量，低阶，简化后为：O(n)。
均摊时间复杂度：对应的分析方法，摊还分析（平摊分析）
平均时间复杂度只在某些特殊情况会用到，而均摊时间复杂度的应用场景更加特殊和有限。
数组的插入：如果数组满了，则遍历数组，把所有累加和存放到第一个位置；否则直接插入。时间复杂度O(n)和O(1)。每一次O(n)的操作后面都会跟着n-1次O(1)的操作，所以把耗时多的那次操作均摊到接下来n-1次耗时少的操作，均摊下来，这一组连续操作的均摊时间复杂度就是O(1)。
然而什么时候使用均摊时间复杂度呢？
-->对于一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间满足前后连续的时序关系，这样就可以把这一组操作放在一起分析，看是否能把较高的时间复杂度的耗时，平摊到其他时间复杂度比较低的操作上，并且能够使用均摊时间复杂度分析的场合，一般均摊时间复杂度等于最好情况时间复杂度。