复杂度分析：如何分析、统计算法的执行效率和资源消耗

事后统计法：

1. 测试结果非常依赖测试环境；
2. 测试结果受数据规模的影响很大；

一、时间复杂度：

1. 表示算法的执行时间与数据规模之间的增长关系；
2. 只关注循环执行次数最多的代码；
3. 加法法则：总时间复杂度等于量级最大的那段代码的复杂度；
4. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积；

几种常见的时间复杂度：

1. O(1)：一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万的代码，其时间复杂度也是O(1)；
2. O(logn)、O(nlogn)：在采用大O标记复杂度的时候，可以忽略系数，即O(Cf(n)) = O(f(n));
3. O(m+n)、O(m*n)：在无法事先评估m和n谁的量极大时，原来的加法法则就不正确了，需要将加法法则改为：T1(m) + T2(n) = O(f(m) + f(n))，但是乘法法则继续有效：T1(m) * T2(n) = O(f(m) * f(n))；

二、空间复杂度

1. 表示算法的存储空间与数据规模之间的增长关系；
2. 常见的空间复杂度：O(1)、O(n)、O(logn)；

总结：越高阶复杂度的算法，执行效率越低。常见复杂度从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n²)；

// n 表示数组 array 的长度