因爲工作的原因，重新拾起了數據結構，畢竟它的地位對於一名程序員來說舉足輕重，對於即將畢業的自己，也是決定把所有模糊的定義弄明白，爲以後打好基礎。所以寫下人生中第一篇原創博客，作爲紀念。
複雜度分爲兩種，1）時間複雜度；2）空間複雜度；
一.算法時間複雜度
1.定義：在進行算法分析時，語句總的執行次數T（n）是關於問題規模 n 的函數，進而分析T（n）隨 n 的變化情況並確定T（n）的數量級。算法的時間複雜度，也就是算法
的時間度量，記作：T（n）＝O（f（n））。它表示歲問題規模 n 的增大，算法執行時間的增長率和f（n）的增長率相同，稱作算法的監禁時間複雜度，簡稱爲時間 複雜度。 其中f（n）的增長率相同，成爲算法的監禁時間複雜度，簡稱時間複雜度。其中f（n）是問題規模 n 的某個函數。
2.大O記法：
用大寫的O（）來體現算法時間複雜度的記法，我們稱之爲大O記法。
常數階：O（1）；
線性階：O（n）；
平方階：O（n^2）；
對數階：O（log m N）；
3.推導大O階方法：
1.用常數 1 取代運行時間中的所有加法常數。
2.在修改後的運行次數函數中，只保留最高階項。
3.如果最高階項存在且不是1，則去除與這個項相乘的常數。
得到的結果就是大O階。
使用上述三條進行推導：1:沒有加法的常數，所以不用考慮；
2:只保留最高階，因此保留n^2/2;
3:去除這個項相乘的常數，也就是去除1／2，最終這段代碼的時間複雜度爲O(n^2)。
常見的時間複雜度：
| 執行次數 | 階 數 | 非正式術語 |
| 12 | O（1） | 常數階 |
| 2n+3 | O（n） | 線性階 |
| 3n^2+2n+1 | O（n2） | 平方階 |
| 5log2 n+20 | O（logn） | 對數階 |
| n+3nlog2+1 | O（nlogn） | nlogn階 |
| n^2+n+4 | O（n^2） | 立方階 |
| 2^n | O（2^n） | 指數階 |
O(1)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2^n)<O(n!)<O(n^n)
時間複雜度分爲：1）平均時間複雜度；2）最壞時間複雜度；
二.算法的空間複雜度
算法的空間複雜度的計算公式記作：S(n)=O(f(n)),其中，n爲問題的規模，f(n)爲語句關於 n 所佔存儲空間的函數。