大 O 表示法用于描述算法的性能和复杂程度。大 O 表示法将算法按照消耗的时间进行分类，依据输入增大所需要的空间/内存。
分析算法时，时常遇到以下几类函数
理解大 O 表示法
如何衡量算法的效率？通常是资源，例如 CPU（时间）占用、内存占用、硬盘占用和网络占用。当讨论大 O 表示法时，一般考虑的是 CPU（时间）占用
- O(1)
function increment(num) {
return ++num;
}假设运行 increment(1)，执行时间等于 x。如果再用不同的参数（例如 2）运行一次 increment 函数，执行时间依然是 X，和参数无关，increment 函数的性能都一样，因此，我们说上述函数的复杂度是 O(1) （常数）
- O(n) 以顺序搜索算法为例
function sequentialSearch(array, value) {
for (let i = 0; i < array.length; i++) {
if (value == array[i]) {
// {1}
return i;
}
}
return -1;
}如果将含 10 个元素的数组（[1,..., 10]）传递给该函数，假如搜索 1 这个元素，那么第一次判断时就能找到想要搜索的元素。在这里我们假设每执行一次行{1}，开销是 1。
现在，假如要搜索元素是 11，行{1}会执行 10 次，开销就是 10；假如该数组有 1000 个元素（[1,..., 1000]），我们搜索 1001 的结果是执行行{1}1000 次，开销为 1000。
可以得出，顺序搜索算法的时间复杂度就是 O(n)，n 是数组的大小
- O(n^2) 以冒泡排序为例
function bubbleSort(array) {
const { length } = array;
for (let i = 0; i < length; i++) {
for (let j = 0; j < length; j++) {
if (array[j] > array[j + 1]) {
swap(array, j, j + 1); // 交换元素
}
}
}
return array;
}如果用大小为 10 的数组执行 bubbleSort，开销是 100（10^2）。如果用大小为 100 的数组执行 bubbleSort，开销就是 10000（100^2）。
注意：时间复杂度 O(n)的代码只有一层循环，而 O(n^2)的代码有双层嵌套循环，如果算法有三层迭代数组的嵌套循环，它的时间复杂度很可能就是 O(n^3)
我们可以创建一个表格来表示不同的时间复杂度
我们可以基于上表信息画一个图来表示不同的 daO 表示法的消耗
或
下面我们把一些常见的时间复杂度以表格展示出来
- 数据结构
- 图
- 排序算法
- 搜索算法
