## 算法时间复杂度 **不是算法的逻辑代码到底被执行了多少次，而是随着输入规模的增大，算法对应执行总次数的变化趋势** 1. 时间复杂度是怎么算出来的 思路： 计算 T(n) --> 推导 O(n) T(n) 是代码执行的次数 推导： * 若 T(n) 是常数，那么无脑简化为1 * 若 T(n) 是多项式，比如 3n^2 + 5n + 3，我们只保留次数最高那一项，并且将其常数系数无脑改为1。 遍历 N 维数组，需要 N 层循环，我们只需要关心其最内层那个循环体被执行多少次就行了。 常见的时间复杂度表达，除了多项式以外，还有`logn` ``` function fn(arr) { const len = arr.length for(let i=1;i<len;i=i*2) { console.log(arr[i]) } } ``` 我们关心的就是`console.log(arr[i])`到底被执行了几次，换句话说，也就是要知道`i<n`（ len === n） 这个条件是在`i`递增多少次后才不成立的。 也就是 2^x >= n 成立  2. 常见的时间复杂度按照从小到大的顺序排列  ## 空间复杂度 算法在运行过程中临时占用**存储空间大小的量度**, 它是内存增长的**趋势**。 常见的空间复杂度有 O(1) 、O(n) 和 O(n^2)。 1. 如果算法在运行过程中，对内存的占用量是恒定的，它对应的空间复杂度就是`O(1)`