算法第一弹：时间复杂度和空间复杂度

求解算法的时间复杂度的基本步骤：
1.找出算法中的基本语句：
算法中执行次数最多的那条语句就死基本语句，通常是最内层循环的语句。
2.计算基本语句的执行次数的数量级：
只需计算基本语句执行次数的数量级，这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可，可以忽略所有低此幂和最高次幂的的系数。这样可以简化算法分析，把焦点集中在“增长率”上。
3.用大O记号标示算法的时间性能
将基本语句执行次数的数量级放入大O记号中。

如果算法中包含嵌套的循环，则基本语句通常是最内侧的循环体。如果算法中包含并列的循环，则将并列循环的时间复杂度相加。例如：

    for (i=1; i<=n; i++)  
           x++;  
    for (i=1; i<=n; i++)  
        　for (j=1; j<=n; j++)  
              x++;  

第一个for循环的时间复杂度为O(N),第二个for循环的时间复杂度为O(N^2)，则整个算法的时间复杂度O(N + N^2)=O(N^2).
O(1)表示基本语句的执行次数是一个常数，一般来说，只要算法中没有循环体，其时间复杂度就是O(1).
其中Ο(log2n)、Ο(n)、 Ο(nlog2n)、Ο(n2)和Ο(n3)称为多项式时间，而Ο(2n)和Ο(n!)称为指数时间。计算机科学家普遍认为前者（即多项式时间复杂度的算法）是有效算法，把这类问题称为P（Polynomial,多项式）类问题，而把后者（即指数时间复杂度的算法）称为NP（Non-Deterministic Polynomial, 非确定多项式）问题。
在计算算法时间复杂度时有以下几个简单的程序分析法则：
1.对于一些简单的输入输出语句或者赋值语句，近似认为需要O(1)时间。
2.对于顺序结构,需要依次执行一系列语句所用的时间可采用大O下”求和法则”
求和法则:是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1(n)+T2(n)=O(max(f(n), g(n)))
特别地,若T1(m)=O(f(m)), T2(n)=O(g(n)),则 T1(m)+T2(n)=O(f(m) + g(n))
3.对于选择结构,如if语句,它的主要时间耗费是在执行then字句或else字句所用的时间,需注意的是检验条件也需要O(1)时间
4. 对于循环结构,循环语句的运行时间主要体现在多次迭代中执行循环体以及检验循环条件的时间耗费,一般可用大O下”乘法法则”
乘法法则: 是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1*T2=O(f(n)*g(n))
5.对于复杂的算法,可以将它分成几个容易估算的部分,然后利用求和法则和乘法法则技术整个算法的时间复杂度
另外还有以下2个运算法则:(1) 若g(n)=O(f(n)),则O(f(n))+ O(g(n))= O(f(n))；(2) O(Cf(n)) = O(f(n)),其中C是一个正常数
log2n时间复杂度的求法：

i=1;      
   while (i<=n)
      i=i*2; 

i每次循环都乘以2，循环m次就乘以2^m，2^m<=n ->m=log2n