编辑“︁算法复杂度”︁（章节）

= 算法复杂度 =

'''算法复杂度'''是计算机科学中用于描述算法效率的重要概念，主要分为'''时间复杂度'''和'''空间复杂度'''。它通过数学表示法描述算法在不同输入规模下的资源消耗增长趋势，是评估算法性能的关键指标。

== 基本概念 ==
算法复杂度分析关注的是算法执行所需资源随输入规模增长的变化规律，而非具体的执行时间或内存占用数值。

=== 时间复杂度 ===
表示算法运行时间随输入规模增长的增长率，常用[[大O符号]]表示：
* <math>O(1)</math> - 常数时间
* <math>O(n)</math> - 线性时间
* <math>O(n^2)</math> - 平方时间
* <math>O(\log n)</math> - 对数时间
* <math>O(n \log n)</math> - 线性对数时间

=== 空间复杂度 ===
表示算法执行过程中所需存储空间随输入规模增长的增长率，同样使用大O符号表示。

== 复杂度分析示例 ==
=== 常数时间 O(1) ===
<syntaxhighlight lang="python">
def get_first_element(arr):
    return arr[0]  # 无论数组多大，操作次数不变
</syntaxhighlight>

=== 线性时间 O(n) ===
<syntaxhighlight lang="python">
def linear_search(arr, target):
    for item in arr:  # 遍历次数与数组长度成正比
        if item == target:
            return True
    return False
</syntaxhighlight>

=== 平方时间 O(n²) ===
<syntaxhighlight lang="python">
def bubble_sort(arr):
    n = len(arr)
    for i in range(n):  # 嵌套循环导致复杂度为n*n
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
</syntaxhighlight>

== 复杂度比较 ==
<mermaid>
graph LR
    A[O(1)] -->|最优| B[O(log n)]
    B --> C[O(n)]
    C --> D[O(n log n)]
    D --> E[O(n²)]
    E --> F[O(2^n)]
</mermaid>

== 实际应用 ==
1. '''数据库索引'''：B树索引提供<math>O(\log n)</math>的查询复杂度
2. '''路由算法'''：Dijkstra算法的时间复杂度为<math>O((V+E)\log V)</math>
3. '''机器学习'''：训练复杂度是选择算法的重要考量因素

== 最佳实践 ==
* 优先选择低复杂度算法
* 在复杂度相同情况下考虑常数因子
* 注意[[最坏情况复杂度]]与[[平均情况复杂度]]的区别
* 大型系统需特别注意空间复杂度

== 数学基础 ==
复杂度分析依赖于：
* [[渐近分析]]
* [[递归关系]]求解
* [[主定理]]：用于分析分治算法复杂度

== 参见 ==
* [[数据结构]]
* [[算法设计]]
* [[性能优化]]
* [[计算复杂性理论]]

[[Category:算法]]
[[Category:计算机科学]]
[[Category:编程概念]]