如何衡量算法复杂度？
内存（Memory）
时间（Time）
指令的数量（NumberofSteps）
特定操作的数量
磁盘访问数量
网络包数量
渐进复杂度（AsymptoticComplexity）
为什么要进行算法分析？
预测算法所需的资源
计算时间（CPU消耗）
内存空间（RAM消耗）
通信时间（带宽消耗）
预测算法的运行时间
在给定输入规模时，所执行的基本操作数量。
或者称为算法复杂度（AlgorithmComplexity）
算法的运行时间与什么相关？
取决于输入的数据。（例如：如果数据已经是排好序的，时间消耗可能会减少。）
取决于输入数据的规模。（例如：6和6*109）
取决于运行时间的上限。（因为运行时间的上限是对使用者的承诺。）
算法分析的种类：
最坏情况（WorstCase）：任意输入规模的最大运行时间。（Usually）
平均情况（AverageCase）：任意输入规模的期待运行时间。（Sometimes）
最佳情况（BestCase）：通常最佳情况不会出现。（Bogus）
例如，在一个长度为n的列表中顺序搜索指定的值，则
最坏情况：n次比较
平均情况：n/2次比较
最佳情况：1次比较
而实际中，我们一般仅考量算法在最坏情况下的运行情况，也就是对于规模为n的任何输入，算法的最长运行时间。这样做的理由是：
一个算法的最坏情况运行时间是在任何输入下运行时间的一个上界（UpperBound）。
对于某些算法，最坏情况出现的较为频繁。
大体上看，平均情况通常与最坏情况一样差。
算法分析要保持大局观（BigIdea），其基本思路：
忽略掉那些依赖于机器的常量。
关注运行时间的增长趋势。
结束语：以上就是关于进行算法复杂度分析的全部内容，更多内容请关注学步园。