算法复杂度

def func () {
  # 这里寄存器接收到了两条执行指令，每条时间复杂度为O(1),但是这里时间复杂度还是O(1)，
　# 因为可以理解为两个常量，常量的时间复杂度为O(1)
  print(‘hello,world!‘ )
  return 0     
}

def func () {
    for i in range(n):   # 这里n是一个整型，循环次数为n
         print(‘n‘)    # 循环体时间复杂度为O(1)
} 
# 所以这里一共需要2n次运算，时间复杂度为O(n x 2)，既O(n)

def func(){
    for i in range(n):    # 循环次数为n
        for j in range(n):    # 循环次数为n
            print(‘hello,world!‘)    # 循环体时间复杂度为O(1)
}
# 此时时间复杂度为O(n x n x 1)，既O(n^2)

# 对于顺序执行的语句或者算法，时间复杂度等于其中最大的时间复杂度。
def func(){
    # 第一块的时间复杂度为O(n^2)
    for i in range(n):
        for j in range(j):
            print(‘hello,world!‘)
    # 第二块的时间复杂度为O(n)
    for i in range(n):
        print(‘hello,world!‘)  
}
# 所以这个函数或者算法的时间复杂度为O(n^2)
# 这个规则对于if -- else 判断语句同样生效

def func(){
    num = 2
    while n:
        num *= 2        
        print(num)
        if i < n:
            break
}
# 这个可以看出来这是一个指数函数,循环条件满足 2^t < n  才会退出
# 可以得出，执行次数t = log(2)(n)，即 T(n) = log(2)(n)
# 可见时间复杂度为 O(log(2)(n))，即 O(log n)。

def func(){
    if n <= 1:
        return 1
    else:
        return func(n - 1) + func(n - 2)
}
# 这个是不是看着很眼熟，可以参考斐波那契数列的例子，因为这是一个斐波那契数列
# 然后，然后，我之前看别人解释的这个题目有点懵，然后我自己想了想，
# 这个数列就像是一个完全二叉树，他的每个节点下面都有两个节点，考虑完全二叉树的的总结点数公式是(2^n  -  1)
# 就直接求出来这个算法的时间复杂度了O(2^n  -  1),既O(2^n)