①事后分析估算方法：
通过给算法执行过程中添加count，运行一次count+1，直到算法结束，count的值就是此算法的时间复杂度。
或利用函数库自带的计时器函数，如
算法前查看起始时间
long start = System.currentTimeMillis();
算法运行后再查看时间
long end = System.currentTimeMillis();
最后打印时间差值得出时间复杂度
System.out.println(end-start);
缺点在于：
必须依据算法实现编制好的测试程序，可能浪费时间后得到的是一个糟糕的算法。
②事前分析估算方法：
现一个高级语言编写的程序程序在计算机 上运行所消耗的时间取决于下列因素：
1.算法采用的策略与方案；
2.编译产生的代码质量；
3.问题的输入规模；
4.机器执行指令的速度；
如果我们要精确的研究循环的条件执行了多少次，是一件很麻烦的事情，并且，由于真正计算和的代码是内循环的循环体，所以，在研究算法的效率时，我们只考虑核心代码的执行次数，这样可以简化分析。
假设四个算法的输入规模都是n：
1.算法A1需要做2n+3次操作
2.算法A2需要做2n次操作
3.算法B1需要做3n+1次操作
4.算法B2需要做3n次操作
通过数据表格，比较算法A1和算法B1：
当输入规模n=1时，A1需要执行5次，B1需要执行4次，所以A1的效率比B1的效率低；
当输入规模n=2时，A1需要执行7次，B1需要执行7次，所以A1的效率和B1的效率一样；
当输入规模n>2时，A1需要的执行次数一直比B1需要执行的次数少，所以A1的效率比B1的效率高；
当输入规模n>2时，算法A1的渐近增长小于算法B1 的渐近增长 通过观察折线图，我们发现，随着输入规模的增大，算法A1和算法A2逐渐重叠到一块，算法B1和算法B2逐渐重叠 到一块，所以我们得出结论：
随着输入规模的增大，与最高次项相乘的常数可以忽略。
假设四个算法的输入规模都是n：
1.算法C1需要做4n+8次操作
2.算法C2需要做n次操作
3.算法D1需要做2n^2次操作
4.算法D2需要做n^2次操作
通过数据表格，对比算法C1和算法D1：
当输入规模n<=3时，算法C1执行次数多于算法D1，因此算法C1效率低一些；
当输入规模n>3时，算法C1执行次数少于算法D1，因此，算法D2效率低一些，
所以，总体上，算法C1要优于算法D1.
通过折线图，对比对比算法C1和C2：
随着输入规模的增大，算法C1和算法C2几乎重叠 通过折线图，对比算法C系列和算法D系列：
随着输入规模的增大，即使去除n^2前面的常数因子，D系列的次数要远远高于C系列。
因此，可以得出结论：
随着输入规模的增大，与最高次项相乘的常数可以忽略
假设四个算法的输入规模都是n：
1.算法E1: 2n^2+3n+1;
2.算法E2： n^2
3.算法F1： 2n^3+3n+1
4.算法F2： n^3
通过数据表格，对比算法E1和算法F1：
当n=1时，算法E1和算法F1的执行次数一样；
当n>1时，算法E1的执行次数远远小于算法F1的执行次数；
所以算法E1总体上是由于算法F1的。
通过折线图我们会看到，算法F系列随着n的增长会变得特块，算法E系列随着n的增长相比较算法F来说，变得比较 慢，所以可以得出结论：
最高次项的指数大的，随着n的增长，结果也会变得增长特别快
假设五个算法的输入规模都是n：
1.算法G： n^3;
2.算法H: n^2;
3.算法I： n:
4.算法J： logn
5.算法K
通过观察数据表格和折线图，很容易可以得出结论：
算法函数中n最高次幂越小，算法效率越高
总上所述，在我们比较算法随着输入规模的增长量时，可以有以下规则：
1.算法函数中的常数可以忽略；
2.算法函数中最高次幂的常数因子可以忽略；
3.算法函数中最高次幂越小，算法效率越高。
标签：分析,复杂度,规模,A1,算法,B1,执行,输入 From： https://www.cnblogs.com/rubiaaa/p/16708885.html