0 算法复杂度分析是什么
数据结构和算法解决的是如何让计算机更快时间、更省空间的解决问题，算法执行效率是算法一个非常重要的考量指标。所谓的算法复杂度是指算法在编写成可执行程序后，运行时所需要的资源，资源包括时间资源和内存资源。
1 为什么要做复杂度分析
有的人肯定会说，可以通过性能测试就能得到算法执行的时间和占用的内存大小。性能测试依赖执行环节、数据规模等条件制约，其可操作性&成本会比较高。我们不可能也没有必要对所有算法做性能测试。因此我们需要我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法。
2 怎么做复杂度分析
2.1大O表示法
算法的执行时间与每行代码的执行次数成正比，用T(n) = O(f(n))表示，其中T(n)表示算法执行总时间，f(n)表示每行代码执行总次数，而n往往表示数据的规模。值得说明的是大O时间复杂度只是表示代码执行时间随着数据规模增长的变化趋势（也叫作渐进时间复杂度），可以省略掉系数、低阶、常量。
2.2基本分析法则
- 单段代码看执行次数最多的一段代码，比如循环、递归等
- 多段取最大，总的时间复杂度就等于量级最大的那段代码的时间复杂度。
- 嵌套代码求乘积：比如递归、多重循环等
- 多个数据规模求加法：比如方法有两个参数控制两个循环的次数，那么这时就取二者复杂度相加，如O(m+n)
2.3常见的复杂度
- O（1） 常数阶
- O（logn） 对数阶
- O（n） 线性阶
- O（nlogn） 线性对数阶
- O（n^2） 平方阶
- O（n^3） 立方阶
- O（2^n） 指数阶
- O（n!） 阶乘阶
2.4 复杂度标准
- 最好情况复杂度
- 最坏情况复杂度
- 平均情况复杂度
- 均摊复杂度
3 分析基本方法
复杂度分析并不难，关键在于多练。