这节呢，主要说下，简单的时间复杂度和时间复杂度怎么一眼就看出。
下一接会具体说明最好，最坏，分担复杂度。
一、时间复杂度
例子：
1 private int test() {
2 int count = 0;
3 for (int i = 0; i < 10; i++){
4 count +=i;
5 }
6 return count;
7 }
忽略CPU 等其他因素的时间，大概估算下。
假设：第2句代码耗时1个单位cost_time，3-4行执行了n次，耗时为2n个cost_time,
那么整体耗时多少呢？
耗时： totlaTime = cost_time + 2n*cost_time = (2n+1)cost_time
可以看出来，所有代码的执行时间 T(n) 与每行代码的执行次数成正比。
所以就可以大概可以总结为：T(n) = O(n)
简单的分析就是，分析时间复杂度时，忽略其他一些常量参数，因为在大数量级面前，常量数据并不影响最后的结果，可以简单的认为对于单层循环而言，时间复杂度为O(n),同理2层循环便是O(n^2),其他同理.
那么对于一段代码具有单层循环和多层循环时间复杂度是多少呢，这里呢，按照最大的时间复杂度算就对了。
比如
private int test() {
int count = 0;
int count1 = 0;
for (int i = 0; i < 10; i++){
count +=i;
}
for (int i = 0 ;i <10;i++){
for (int j =0;j < 10 ; j ++){
count1 += j * i;
}
}
return count;
}
那么这个的时间复杂度就是： O(n^2)
常见的时间复杂度：
O(1)（常数阶）、O(logn)（对数阶）、O(n)（线性阶）、O(nlogn)（线性对数阶）、O(n^2)（平方阶）、O(n^3)（立方阶）
注意：
1.O(1) 并不是只有一行代码，时间复杂度就是O(1),O(1) 只是常量级时间复杂度的一种表示方法,比如下面代码是2行，时间复杂度也是O(1)。只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。
int i = 3；
int j = 99;
- 常见的O(logn)（对数阶） 是怎么样的形式呢？
int i =1;
while(i < n ){
i = i * 3 ;
}
从代码中可以看出，变量 i 的值从 1 开始取，每循环一次就乘以 3。当大于 n 时，循环结束。
回忆高中时的内容，是不是就是一个等比数列：3 9 27 71..... k => 3^0 3^1 3^2 3^3 ...... 3^x,
3^x = n => n = log3n 忽略常数，可以得出 logn
二、空间复杂度
空间复杂度指的是除特定空间外，重新申请开辟的空间，以代码为例
private int[] test(int n){
int[] a = new int[n];
for (int i =0; i <n; ++i) {
a[i] = i * i;
}
return a;
}
考虑空间复杂度时还是忽略一些常量数据，比如可以看到申请一个大小为n的数据空间，和一个常量的空间i,忽略常量，那么只剩n个内存空间，那么可以大概说明空间复杂度为O(n),用算法举例更具说服力。
映射上节的纯文字叙述：
复杂度分析方法
- 单段代码看高频：比如循环。
- 多段代码取最大：比如一段代码中有单循环和多重循环，那么取多重循环的复杂度。
- 嵌套代码求乘积：比如递归、多重循环等。
- 多个规模求加法：比如方法有两个参数控制两个循环的次数，那么这时就取二者复杂度相加。
