O（？）

时间复杂度

算法流程中数据量为N 的话，时间复杂度讨论的在==N的样本==中执行完整个算法后==与常数操作的数量的关系==。

要将算法分解到常数操作，再去分析时间复杂度是多少

举例来说：选择排序

数组：【7】【8】【10】【2】【12】【5】【1】【….】【N】

下标 0 1 2 3 4 5 6 …… N-1

第一步：N个数看一遍，找最小值

N次 N-1次

第二步：最小值放0位置O（1）

1次交换

第三步：1~N-1个数看一遍，找最小值，进行一次交换。。。。依次循环

最终一共进行了一个等差数列，N个数，N-1个数，N-2个数……次

等差数列求和公式最终优化可以写成 (a,b,c)是常数

aN^2+bN+c

复杂度就是只要最高阶项O（n^2）,所以选择排序就是一个O（n^2）的算法。

因为当N数据量趋近于无穷时常数项就可以忽略了，而取决定性因素的就是与最高阶有关。

总之，施行时间是固定的就是常数时间操作，反之都不是。

寻址操作：数组内存中的一个连续区域背包问题

常见的算术运算（+、-、*、/、% 等）
常见的位运算（>>、>>>、<<、|、&、^等）
赋值、比较、自增、自减操作等
数组寻址操作

非固定时间的操作

时间复杂度（流程决定）

额外空间复杂度（流程决定）

常数项时间（实现细节决定）

用户功能要求返回的空间数组，不算是额外空间复杂度

如果我在整个算法流程中，我开辟的空间就是有限的几个变量，那么这个过程中我的那个额外空间复杂度就是O（1）的

额外空间复杂度也要按照最差情况估计，用户要什么最终你给他的东西不算你的额外空间，输入什么参数也不算，额外空间是你自己在设计的流程中，为了完成自己的流程，你必须使用的空间。

冒泡排序不如插入排序的常数时间好，方法就是放弃理论大样本实测。