课程名称:JavaScript版数据结构与算法
课程章节：时间/空间复杂度计算
课程讲师： lewis
课程内容：

课程介绍
时间复杂度计算
空间复杂度计算

个人是从软件二次开发开始学习系统学习程序开发的，之前的要求是能跑，但是现在到产品岗后，日常工作中也需要找到性能瓶颈，除去网络延时，服务器CPU,内存大小，硬盘I/O，SQL执行效率等，程序的算法也是一个重要的指标，需要对其有足够的认识，

一 、 算法的时间性能分析

(1)算法耗费的时间和语句频度

一个算法所耗费的时间=算法中每条语句的执行时间之和。

每条语句的执行时间=语句的执行次数(即频度(Frequency Count))×语句执行一次所需时间。
时间复杂度有一些评价标准：

首先声明算法效率的排序方式，从小到大依次如下：

运行效率排序：
常数阶O(1)>对数阶O(logN)>线性阶O(n)>线性对数阶O(nlogN)>平方阶O(n²)>立方阶O(n³)>指数阶(2^n)> 阶乘O(n!) >循环递归O(n^n)

1. 符合常数型函数曲线特性的算法
   最好的时间复杂度就是O(1)，O(1)表示在一个常数时间，并且是只要一条语句就能执行完的功能，它的时间开销是就O(1)常数时间是一条直线，你的元素规模不管是1个、2个、3个、4个、还是100个、1000个它所需要的时间都是恒定的如果程序达不到O(1)的性能，但能达到一个常数级别O(2)、O(3)、O(4)、O(5)也是很好的，也就是说你不管程序的规模怎么样，只要固定的只需要一条、两条、三条、四条或者五条语句，或者是固定的语句数量就能完成，

2. 符合对数性函数曲线特性的算法
   差一点的情况是O(logn)，它是一条弧线，当元素个数增加时，算法的程序性能消耗并没有快速地增加，而是增加的速度越来越缓慢，这种程序性能也不错再差一点就是一条斜线，什么意思？随着元素个数的增加，运算时间也增加，这种就没有O(logn)好，因为O(logn)是元素越多，时间开销反而增加的没那么厉害，线性时间还会增加。

3. 符合指数型函数曲线特性的算法
   那比较不好的是什么呢？就是O(n)的平方，大家还记得中学里学过的O(n)的平方是一条什么样的曲线吗？它是一条开口朝上的抛物线，这个抛物线就是随着你的程序规模增加，程序的运行时间会显著的增加，这就非常不好了为什么？因为它就意味着你的程序，在元素个数少的时候跑得比较快，元素个数越多跑得就越慢那如果是n的三次方呢？那就更糟糕了，五次方、十次方也一样，这就是我们衡量性能的标准

用最直白的话来说：一般开发应用中看：循环嵌套几层，每一层的循环次数和哪个变量有关？

二、 空间复杂度

空间复杂度就看你申请内存用了多少(数组长度)，与哪个变量有关O(),logn中对数函数的底数是多少一般来说是 222 。因为计算机中很多地方采用的是二分法。
当然，如果非要三分、四分法解决问题，那么底数就相应变成3、4但是，其实 O(log2n)=O(log3n/log23)=O(log3n)O(log_2n)=O(log_3n/log_23)=O(log_3n)O(log_2n)=O(log_3n/log_23)=O(log_3n)
(常数可以扔掉)，所以你爱写啥都随便。

三、课程收获
对程序的算法设计对性能的影响有了比较直观的了解。