算法复杂度其实也没有啥。
目录
概念
时间复杂度：全称渐进时间复杂度，表示算法的执行时间与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。
说明几点
1，数据结构就是指一组数据的存储结构。算法就是操作数据的一种思路或方法。
2，数据结构和算法是相辅相成的。数据结构是为算法服务的，算法一般作用在特定的数据结构之上。
3，复杂度用大写O表示，如O(n)等。
4，在复杂度的描述中O(1000n)与O(n)一致，都写成O(n)，即常量可以被忽略(不论常量有多大，不论它耗时多少)。
时间复杂度
从时间复杂度的角度来说，一般情况下只要算法中不存在循环、递归语句，即使有成千上万行的代码，它的时间复杂度就是Ο(1)。
怎么确定时间复杂度？
1，只关注循环执行次数最多的一段代码
func demo(){
sum := 0
for i:=0;i<=n;i++{
sum += i
}
}如上代码中，定义sum是常量级的执行时间，对复杂度来说没有影响，而for循环数量级是n，换句话说这段代码被执行了n次，它的时间复杂度就是O(n)
2，嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
func demo1() {
sum := 0
for k := 0; k <= n; k++ { //O(n²)
for h := 0; h <= n; h++ {
sum = sum + k*h
}
}
}上面代码是嵌套循环，需要遍历k*h次，数量级就是O(k*h)，即它的时间复杂度是O(n²)，这个很容易看出来。
3，总复杂度等于量级最大的那段代码的复杂度
func demo2() {
sum := 0
for i := 0; i <= 1000; i++ { // 忽略
sum += i
}
for j := 0; j <= n; j++ { //O(n)
sum += j
}
for k := 0; k <= n; k++ { //O(n²)
for h := 0; h <= n; h++ {
sum = sum + k*h
}
}
}如上代码中，第一个循环循环了1000次，数量级是常数暂且不理(时间复杂度表示算法执行效率与数据规模增长的变化趋势，不管常量的执行时间多大，都可以把它忽略掉)；第二个循环中是一个未知的n，它的时间复杂度就是O(n)；第三个循环中是嵌套，即O(n²)，而显然O(n²) > O(n)，也就是第三个循环的数量级最大，那么这段代码的时间复杂度就是O(n²)
时间复杂度是O(log n)的情况
func demo3() {
num := 1
for num < n {
num = num * 2 // 执行次数最多,需要计算出这行代码被执行了多少次
}
fmt.Println(num)
//
// 也就是说循环了x次,即2的x次方=n,所以x=log n,底数2可以忽略
}以上代码中，num每循环一次就乘以2，它是一个比值为2的等比数列。
它的值列出来就是1*2，1*2*2，1*2*2*2......，即2º,2¹,2²,2³......一直到2的x次方小于n时终止循环，换句话说它将执行x次，即2的x次方=n，那么我们把它的x值求出来就是x=log n，底数2可以忽略（底数为任何常量时都可以忽略，log2n 和log20n是一个复杂度）。
时间复杂度是O(m+n)、O(m*n)的情况
代码就不列了(两个一层循环)，为什么不用n表示却用了m和n两个变量，因为这两个值的是无法确定规模的。此时就不能简单的以量级最大的那段复杂度来作为整体的复杂度了，所以这时候就是O(m+n)
当然O(m*n)和上面解释相同，只是O(m*n)是循环嵌套，这时候它的执行次数就是m*n，所以复杂度就是O(m*n)。
空间复杂度
func demo4(){
arr1 := [1]int{9}
arr2 := [n]int{}
}代码中有两个数组，arr1申请了一个空间存储，它的空间复杂度就是O(1)，arr2的空间复杂度就是O(n)。
最好、最坏、平均情况时间复杂度
func demo5(arr []int, x int) int {
num := 99
res := -1
for key, value := range arr {
if num == value{
res = key
break
}
}
return res
}看这段代码，遍历传入的数组，找到值为99的元素并返回它的key，找不到则返回-1。
最好的情况就是99这个值正好是arr的第一个元素，这样的话只遍历一次就够了（O(1)），最差的当然是该值在最后面了（O(n)），显然不同情况下时间复杂度是不一样的。
平均时间复杂度
在数组arr中，它的下标是 0～n-1，res的值是多少取决于99这个值在arr中和不在arr中，即一共是n+1种情况：
只1次就找到需要遍历1次，找两次就找到需要遍历2次，全遍历完找到需要n次，不在数组中时需要遍历n次（只有遍历完才能知道），所以执行的次数为：1+2+3+...+n+n/n+1 = n(n+3)/2(n+1)
进一步简化，去掉常数：
n²+3n/2n ---> n+3/2 ----> n
得到的复杂度就是O(n)。假如把每种情况发生的概率也考虑进去：
假设在数组中与不在数组中的概率都为 1/2，要查找的数据出现在 0～n-1 中任意位置的概率就是 1/(2n)，那么，
1* 1/(2n) + 2* 1/(2n) + n* 1/(2n) + n * 1/2 = (3n+1)/4，这个值就是加权平均值，进行简化，结果还是n，此时的平均时间复杂度就是O(n)。
很多时候用一个复杂度就可以了，时间复杂度如果有量级的差距的话才会细分。
黄昏时偷来你的肋骨酿酒 百年后醉得有血有肉
