一、时间复杂度的概念价值：对算法进行特别具体的精细分析是好的，但在实践中的实际价值有限。 关于算法的时间性质和空间性质，最重要的是其数量级和趋势，因此一般用“完成基本运算的时间总和的数量级”来记述算法的时间复杂度即可。
要获得算法的时间复杂度，最直观的想法是运行一次算法程序，就能自然获得。 但实践中往往受限于测试环境、数据规模等因素，直接测试算法难以实现或误差较大。 另外，理论上不需要对每个算法进行测试，只需要找到评价指标，得到执行算法所需时间的基本趋势即可。
二.时间复杂度趋势对比图：
三、如何计算时间复杂度：
1、分析算法时，有几种想法。
算法完成工作所需的基本操作，也就是最佳时间的复杂性是多少
算法完成工作所需的基本操作，也就是最坏的时间复杂度是多少
算法完成工作平均需要多少基本操作，即平均时间的复杂性
2、时间复杂度的几个基本计算规则：
求解算法的复杂性一般有以下几个步骤。
找出算法中的基本语句，算法中执行次数最多的语句是基本语句，通常是最内层循环的循环体； 只要计算基本语句的执行次数顺序，计算基本语句的执行次数顺序，就可以简化算法分析，将注意力集中在最重要的点——增长率上。 用大表示算法的时间性能：将基本语句的执行次数的命令放入大符号中。 其中，大O表示法通常有三条规则。
用常数1替换执行时间中的所有加法常数。 也就是说，一般来说，只要算法中不存在循环语句、递归语句，即使有几千行代码，其时间复杂度也是(1)； 只保持时间函数的最高一项； 在存在最高位项情况下，省略最高位项之前的系数； 3、一般情况下，一个算法需要的时间与代码语句的执行次数成正比，算法的执行语句越多，消耗的时间也越多。 一个程序的时间复杂度最后计算应该是多项式，此时在判断一个算法的效率时，只关注操作数的最高次项即可，其他次项和常数项可以忽略； 另外，最高次项的系数也可以忽略。 因为系数只会改变函数的陡峭度，不会改变函数的整体倾向。
4、在没有特别说明的情况下，我们分析的算法的时间复杂度都是指最坏的时间复杂度
四、各订单时间复杂度实例：常数订单o(1) int i=1； int j=2； int k=1 2；
算法的时间复杂度是常数级，而不随问题的规模n而变化。
对数阶数o(logn )常见的有 二分查找算法
int i=1，n=100； while(I=n ) { i=i * 2； }循环以2的倍数接近n。 也就是说，当2^x=n小于等于n时，执行整个循环，即x次，获得x=logn。 也就是说，由于上述循环在执行logn次之后结束，所以上述代码的时间复杂度为o[logn]。
线性阶数o(n ) : int j=0； for(intI=0； i n； I () j=I； j； )线性对数阶数o(nlogn ):for ) intm=1； 米n； m(intI=1； while(I=n ) { i=i * 2； }在线性循环中加入对数级循环。
平方阶数o(n ):int k=0； for(intI=0； i n； I ) for(intj=0； j n； j () k； }指数阶o(2^n ):intfib(intn ) if ) n==0) return 0； ELSEif(n==1) return 1； 返回(fib (n-1 ) fib (n-2 ) ) 00000007； )斐波那契数列是典型的例子：
五.根据时间复杂度推测算法
一般在leetcode上，10^4、10^5次方的数据规模应该对应线性时间复杂度的算法。
参考：
原文链接： 3359 blog.csdn.net/weixin _ 43716712/article/details/119923514
(4条消息) LeetCode0)学习算法所需的知识：时间复杂性和空间复杂性计算_程序新视野-CSDN博客