在本文中，我们将探讨 “二次方” 和 “n log(n)” 等术语在算法中的含义。
在后面的例子中，我将引用这两个数组，一个包含 5 个元素，另一个包含 50 个元素。我还会用到 JavaScript 中方便的 performance API 来衡量执行时间的差异。
复制
const smArr = [5, 3, 2, 35, 2]; const bigArr = [5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2, 5, 3, 2, 35, 2];
1.
2.
3.
什么是 Big O 符号?
Big O 表示法是用来表示随着数据集的增加，计算任务难度总体增长的一种方式。尽管还有其他表示法，但通常 big O 表示法是最常用的，因为它着眼于最坏的情况，更容易量化和考虑。最坏的情况意味着完成任务需要最多的操作次数;如果你在一秒钟内就能恢复打乱魔方，那么你只拧了一圈的话，不能说自己是做得最好的。
当你进一步了解算法时，就会发现这非常有用，因为在理解这种关系的同时去编写代码，就能知道时间都花在了什么地方。
当你了解更多有关 Big O 表示法的信息时，可能会看到下图中不同的变化。我们希望将复杂度保持在尽可能低的水平，最好避免超过 O(n)。
O(1)
这是理想的情况，无论有多少个项目，不管是一个还是一百万个，完成的时间量都将保持不变。执行单个操作的大多数操作都是 O(1)。把数据写到数组、在特定索引处获取项目、添加子元素等都将会花费相同的时间量，这与数组的长度无关。
复制
![[[314140]]](https://s1.51cto.com/oss/202002/06/a3d6f16c3f9803001223767693ce6687.jpg){kind=link}
const a1 = performance.now(); smArr.push(27); const a2 = performance.now(); console.log(`Time: ${a2 - a1}`); // Less than 1 Millisecond const b1 = performance.now(); bigArr.push(27); const b2 = performance.now(); console.log(`Time: ${b2 - b1}`); // Less than 1 Millisecond
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
O(n)
在默认情况下，所有的循环都是线性增长的，因为数据的大小和完成的时间之间存在一对一的关系。所以如果你有 1,000 个数组项，将会花费的 1,000 倍时间。
复制
const a1 = performance.now(); smArr.forEach(item => console.log(item)); const a2 = performance.now(); console.log(`Time: ${a2 - a1}`); // 3 Milliseconds const b1 = performance.now(); bigArr.forEach(item => console.log(item)); const b2 = performance.now(); console.log(`Time: ${b2 - b1}`); // 13 Milliseconds
1.
2.
3.
4.
5.
6.
7.
8.
9.
O(n^2)
指数增长是一个陷阱，我们都掉进去过。你是否需要为数组中的每个项目找到匹配对?将循环放入循环中是一种很好的方式，可以把 1000 个项目的数组变成一百万个操作搜索，这将会使你的浏览器失去响应。与使用双重嵌套循环进行一百万次操作相比，最好在两个单独的循环中进行 2,000 次操作。
复制
const a1 = performance.now(); smArr.forEach(() => { arr2.forEach(item => console.log(item)); }); const a2 = performance.now(); console.log(`Time: ${a2 - a1}`); // 8 Milliseconds const b1 = performance.now(); bigArr.forEach(() => { arr2.forEach(item => console.log(item)); }); const b2 = performance.now(); console.log(`Time: ${b2 - b1}`); // 307 Milliseconds
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
O(log n)
我认为关于对数增长比较好的比喻，是想象在字典中查找像 “notation” 之类的单词。你不会在一个词条一个词条的去进行搜索，而是先找到 “N” 这一部分，然后是 “OPQ” 这一页，然后按字母顺序搜索列表直到找到匹配项。
通过这种“分而治之”的方法，找到某些内容的时间仍然会因字典的大小而改变，但远不及 O(n) 。因为它会在不查看大部分数据的情况下逐步搜索更具体的部分，所以搜索一千个项目可能需要少于 10 个操作，而一百万个项目可能需要少于 20 个操作，这使你的效率最大化。
在这个例子中，我们可以做一个简单的 快速排序。
复制
const sort = arr => { if (arr.length < 2) return arr; let pivot = arr[0]; let left = []; let right = []; for (let i = 1, total = arr.length; i < total; i++) { if (arr[i] < pivot) left.push(arr[i]); else right.push(arr[i]); }; return [ ...sort(left), pivot, ...sort(right) ]; }; sort(smArr); // 0 Milliseconds sort(bigArr); // 1 Millisecond
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
O(n!)
最糟糕的一种可能性是析因增长。最经典的例子就是旅行的推销员问题。如果你要在很多距离不同的城市之间旅行，如何找到在所有城市之间返回起点的最短路线?暴力方法将是检查每个城市之间所有可能的路线距离，这是一个阶乘并且很快就会失控。
由于这个问题很快会变得非常复杂，因此我们将通过简短的递归函数演示这种复杂性。这个函数会将一个数字去乘以函数自己，然后将数字减去1。阶乘中的每个数字都会这样计算，直到为 0，并且每个递归层都会把其乘积添加到原始数字中。
阶乘只是从 1 开始直至该数字的乘积。那么 6!是 1x2x3x4x5x6 = 720。
复制
const factorial = n => { let num = n; if (n === 0) return 1 for (let i = 0; i < n; i++) { num = n * factorial(n - 1); }; return num; }; factorial(1); // 2 Milliseconds factorial(5); // 3 Milliseconds factorial(10); // 85 Milliseconds factorial(12); // 11,942 Milliseconds
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
我原本打算显示 factorial(15)，但是 12 以上的值都太多，并且使页面崩溃了，这也证明了为什么需要避免这种情况。
结束语
我们需要编写高性能的代码似乎是一个不争得事实，但是我敢肯定，几乎每个开发人员都创建过至少两重甚至三重嵌套循环，因为“它确实有效”。Big O 表示法在表达和考虑复杂性方面是非常必要的，这是我们从未有过的方式。