最为一个码农，要想往资深的方向发展，总是需要学习和了解算法这种高大上的技术。最近我将会把我学习到的算法能容进行一个总结分享给各位朋友，希望对大家有所帮助。
今天先学习一下算法里的大O符号。
程序就是为了解决问题而存在，那什么才是解决问题的最好方案。答案是性能。
这里先说一点，现实生活中很难找到最好的解决方案。
我们先看一个题目，写一个方法接收一个数值，从0开始加到函数接收到的数值。
实现方法如上图所示，进行循环遍历，然后将结果值进行相加。
那么问题来了，如果传入的值足够，比如说一个亿，就会发现，随着数值的增长，程序计算所消耗的时间就越大。而这个曲线对应的就是大O表示法里的线性阶。
同样一个问题，还有另外一个表示方法，如下图：
如上图所示，这个算法是第一个数值+最后一个数值*n/2次。这种算法，表达是对应程序所执行的次数只有一次，而这种算法程序对应的曲线几乎趋向同意一个值，大O表示法师O（1）常数阶，而上一个算法程序的执行次数取决于函数所接受到的参数，参数值越大，函数执行的次数就越多。相比之下，明显第二种的算法性能更优。
那么，如何判断曲线呢。
三个步骤：
1、定义行数。2、找到快速增长项。3、取消系数。
下面是两个程序的筛选步骤，如下图：
其中n代表程序执行的次数。通过以上三个步骤就能找到对应的大O表示符。
下面的各个大O表示符的性对快慢的顺序。
值得一提的事，提出的案例中能做到有O(1)线性阶梯，但是现实生活中其实很难找到这种阶梯。
思考题：函数接受一个数组，数组里面都是数值类型，然后将数组里面的数值进行相加。
答案如下：
如上图所示，通过程序实现结果我们来进行线性时间复杂度分析。
要拿到数组值就必须遍历数组，所以最后通过程序执行的计算的，得到的数值是一个一次方程，然后将方程的快速增长项提出来，最后去掉系数，得到的事O（n）的线性时间复杂度。
