前言： 学习这东西，很枯燥也很烦，参考许多博文，选了许多。结合一些东西，记录一下， 也是为了以后回顾学习。
算法效率：
说到算法效率 ， 不得不提两个指标，那就是
时间复杂度
空间复杂度
好的算法应该具备时间效率高和存储量低的特点。
计算机能快速完成大量复杂的数据处理，但是要完成这个工作，计算机也是需要一定的资源的。得根据数据大小和算法来消使用处理器资源。要想程序能够高效的运行，就要考虑到算法的效率问题了。算法效率的评估， 怎么评估呢，那就是这两个指标了。
时间复杂度：评估执行程序所需的时间。可以估算出程序对处理器的使用程度。
空间复杂度：评估执行程序所需的存储空间。可以估算出程序对计算机内存的使用程度。
我们在设计算法的时候。一般是先考虑系统环境，在考虑时间复杂度和空间复杂度， 中间取一个合适的点，通常时间复杂度要比空间复杂度更容易产生问题，所以我们大多主要研究时间复杂度。
时间频度
一个算法执行所消耗的时间，理论上是不能推论出来的，必须经过机器测试才知道。但是我们也不可能也没有必要对每个算法逐个进行上机测试，只需要知道算法花费的时间就可以了。算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
时间复杂度
时间频度T(n) 。 n 为问题的规模,当n不断的变化时，时间频度T(n) 也会随之不断的变化。有时候我们想知道它的变化呈现出什么规律，所以 有了时间复杂度的概念。
算法中 基本操作重复执行的次数，是问题规模 n 的某个函数 用 T(n) 表示。 如果有某个辅助函数 f (n)， 当n趋近于无穷大的时候，T(n) / f(n) 的极限值为不等于0 的常数。则 f (n) 为T(n) 的同数量级函数，表示为 T(n)=O(f(n)) 它称为算法的渐进时间复杂度，简称时间复杂度。
大O表示法
上面用O( ) 来表示算法时间复杂度的记法，称之为大O 表示法。
评估一个算法我们可以从三个角度来评估： 分别为最理想情况，最坏情况，和平均情况。 从测试结果来看， 平均情况大多和最坏结果持平，而且评估最坏情况也可以避免后面出现的糟糕情况。所以一般情况下，我们设计算法时都要直接估算最坏情况的复杂度。
大O表示法O(f(n)中的f(n)的值可以为1、n、logn、n²等，因此我们可以将O(1)、O(n)、O(logn)、O(n²)分别可以称为常数阶、线性阶、对数阶和平方阶，那么如何推导出f(n)的值呢？我们接着来看推导大O阶的方法。
推导大O阶
推导大O阶，我们可以按照如下的规则来进行推导，得到的结果就是大O表示法：
1.用常数1来取代运行时间中所有加法常数。
2.修改后的运行次数函数中，只保留最高阶项
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数。
常数阶：
int m= 0 ;n = 100 //执行一次 m = (1+n)*n/2 ; //执行一次 system.out.prntln(m)// 执行一次
上面算法的运行次数的函数为 f(n) = 3,根据推导大O阶的规则1，我们常数3改为1，则这个算法的时间复杂度为O(1)。如果 m = （1+n）*n/2这条语句再执行10遍，因为这与问题大小n的值并没有关系，所以这个算法的时间复杂度仍旧是O(1)，我们可以称之为常数阶。
线性阶：
线性阶主要分析循环结构的运行情况。
for(int i=0;i<n;i++){ //时间复杂度为O(1)的算法 ... }
循环体中的代码执行了n次，因此时间复杂度为O(n)。
对数阶 ：
int number=1; while(number<n){ number=number*2; //时间复杂度为O(1)的算法 ... }
number每次乘以2后，都会越来越接近n，当number不小于n时就会退出循环。假设循环的次数为X，则由2^x=n得出x=log₂n，因此得出这个算法的时间复杂度为O(logn)。
平方阶：
下面是循环嵌套
for(int i=0;i<n;i++){ for(int j=0;j<n;i++){ //复杂度为O(1)的算法 ... }
内层循环的时间复杂度在讲到线性阶时就已经得知是O(n)，现在经过外层循环n次，那么这段算法的时间复杂度则为O(n²)。
其他常见复杂度
除了常数阶、线性阶、平方阶、对数阶，还有如下时间复杂度：
f(n)=nlogn时，时间复杂度为O(nlogn)，可以称为nlogn阶。
f(n)=n³时，时间复杂度为O(n³)，可以称为立方阶。
f(n)=2ⁿ时，时间复杂度为O(2ⁿ)，可以称为指数阶。
f(n)=n!时，时间复杂度为O(n!)，可以称为阶乘阶。
f(n)=(√n时，时间复杂度为O(√n)，可以称为平方根阶。
算法中常见的f(n)值根据几种典型的数量级复杂度比较
O(n)、O(logn)、O(√n )、O(nlogn )随着n的增加，复杂度提升不大，因此这些复杂度属于效率高的算法，反观O(2ⁿ)和O(n!)当n增加到50时，复杂度就突破十位数了，这种效率极差的复杂度最好不要出现在程序中，因此在动手编程时要评估所写算法的最坏情况的复杂度。
更直观的图：
T(n)
0 5 10 15 20 25 n
T(n)值随着n的值的变化而变化，其中可以看出O(n!)和O(2ⁿ)随着n值的增大，它们的T(n)值上升幅度非常大，而O(logn)、O(n)、O(nlogn)随着n值的增大，T(n)值上升幅度则很小。
常用的时间复杂度按照耗费的时间从小到大依次是：
O(1)<O(logn)<O(n)<O(nlogn)<O(n²)<O(n³)<O(2ⁿ)<O(n!)