大多数人很难直观理解算法复杂度，这张图用简明示例详细阐释了不同Big O符号的含义和对应的算法行为。
• O(1) 常数时间：无论输入多大，运行时间保持不变。典型例子是通过索引访问数组元素或哈希表插入删除。
• O(n) 线性时间：运行时间与输入规模成正比增加，比如遍历数组寻找最大/最小值，或者判断元素是否存在。
• O(log n) 对数时间：输入规模每增加一倍，运行时间增加一个常量单位。示例包括有序数组的二分查找和平衡二叉搜索树操作。
• O(n²) 平方时间：运行时间随着输入规模的平方增长，常见于嵌套循环排序算法，如冒泡排序、选择排序。
• O(n³) 立方时间：运行时间增长更快，适用于复杂动态规划问题和矩阵乘法的朴素算法。
• O(n log n) 线对数时间：结合线性与对数增长，效率较高的排序算法如归并排序、快速排序、堆排序都属于此类。
• O(2^n) 指数时间：运行时间随着每增加一个输入元素翻倍，典型递归分治算法，如旅行商问题和子集和问题。
• O(n!) 阶乘时间：运行时间以输入规模的阶乘速度增长，排列组合问题的典型代表。
• O(√n) 平方根时间：运行时间按输入规模平方根比例增长，用于范围内搜索，代表算法如埃拉托斯特尼筛法。
心得：
1. 规模增长带来的时间成本差异远超直觉，尤其从线性到指数、阶乘增长，算法性能天壤之别。
2. 选择合适的算法结构和数据结构（如哈希表、平衡树）能大幅降低复杂度，提升效率。
3. 复杂度分类帮助评估算法在实际应用中的可行性，避免盲目使用高复杂度算法。
算法 计算复杂度 大O符号 编程基础 数据结构
