时间复杂度计算技巧

    一段代码质量的好坏，既有外在的也有内在的，外在的指的就是外表，代码的整洁性、可读性、可维护性等等，而内在就是所指应用的算法，所谓算法是程序的灵魂就是这么来的。在学习算法的过程中，起步你就得知道什么是算法的效率，效率从两方面讲，时间和空间。日常生活中，人们都是愿意以少少的投资获取大大的回报，程序也是如此。
     程序中有一个规范去衡量代码的效率，那就是大O表示法，至于什么叫大O表示法，大O表示法的原理，这篇文章不会细讲，这里主要讲解如何很快的计算出程序的复杂度。首先，给大家列举几个常见的数量级函数：

以下是每个函数当n无穷大时，效率对比图：

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n)< O(n!)< O(n^n)
1.O(n)
一般情况下，程序中没有循环的都可以认为是常数函数，时间复杂度就是O(1)。
2.O(logn)
当存在while函数时，通常就是对数函数，这个循环的时间复杂度就是 O(logn)。
3.O(n^m)
当存在双层for循环的时候，即把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n?) 了，以此类推，三层循环就是O(n^3)。
4.O(nlogn)
将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logn)，也就是了O(nlogn)，就是for循环中有while循环。
     一般的像O(n^3)、O(2^n)、O(n!)这样的函数，除非时很小的n的值，否则哪怕n只是100，都是噩梦般的运行时间，所以这种不切实际的算法时间复杂度，我们不去讨论。