开篇

算法，从承认自己是一个菜鸟开始！

本文是《算法-从菜鸟开始》系列文章的开篇，欢迎收藏、留言、点赞。

在计算机程序中通过某种计算方式（如利用某种数据结构、使用某种思维模式）以达到程序计算的目的，此种方式即是​​算法​​。

如同人生的意义一样，都是在有限的时间、空间内争取最优解！

消耗最少的时间、空间资源，获取最符合预期的效果！

在算法的世界里，存在两个非常重要的概念：​​时间复杂度​​和​​空间复杂度​​。

时间复杂度： 用于描述一个算法整个执行过程中所消耗的时间。

空间复杂度 用于描述一个算法在执行过程中所占用的存储空间。

一般来说，一个算法的时间复杂度越低，空间复杂度越低，则该算法就是最优的一种解。

但并不是说，时间或者空间某一个维度的值极低视为一个最优解，而是趋近于某种”平衡“状态下，时间复杂度和空间复杂度都可以接受，视为最优解。

时间复杂度全称为​​渐进时间复杂度​​，并不是用来描述该算法的实现实际的执行时间，而是一种描述算法执行时间与数据规模之间的增长关系。

使用大OOO表示法来描述时间复杂度，如O(1)O(1)O(1)、O(n)O(n)O(n)、O(n2)O(n^2)O(n2)、O(logn)O(logn)O(logn)、O(log2n)O(log_2n)O(log2n)等

时间复杂度

描述

O(1)O(1)O(1)

常数阶，无论数据规模大小，其复杂度都是一样的

O(n)O(n)O(n)

线性阶，随着数据规模变大，其复杂度成线性递增

O(n2)O(n^2)O(n2)

平方阶，或者可以描述为指数阶， 如O(n2)O(n^2)O(n2)、O(nk)O(n^k)O(nk)

O(logn)O(logn)O(logn)

对数阶， 是对指数阶的逆运算，如O(logn)O(logn)O(logn)、O(log2n)O(log_2n)O(log2n)、O(log3n)O(log_3n)O(log3n)

O(1)O(1)O(1) 常数阶：

console.log(a + b + c);}

我们认为无论在函数体中有多少个变量，有多少行，如果没有循环、递归，我们都认为该程序在执行时的时间复杂度都是O(1)O(1)O(1)。

即使有循环、递归，也要看是否和nnn有关系