接下来几篇文章会介绍linux内核是如何调度进程的，在学习内核进程调度之前有必要搞懂这些准备知识！
相信很多开发的同伴们在研究算法、排序的时候经常会碰到O(1)，O(n)，O(logn)，O(nlogn)这些复杂度，看到这里就会有个疑惑，这个O(N)到底代表什么呢？带着好奇开始今天文章。
首先o(1), o(n), o(logn), o(nlogn)是用来表示对应算法的时间复杂度,这是算法的时间复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。
算法复杂度分为时间复杂度和空间复杂度。其作用：
-
时间复杂度是指执行这个算法所需要的计算工作量；
-
空间复杂度是指执行这个算法所需要的内存空间；
时间和空间都是计算机资源的重要体现，而算法的复杂性就是体现在运行该算法时的计算机所需的资源多少；
O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
-
时间复杂度为O(n)—线性阶，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。
//循环遍历N次即可得到结果count = 0;for(int i = 0;i < 10 ; i ){ count ;}
-
时间复杂度O(n^2)—平方阶, 就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n x n)的算法，对n个数排序，需要扫描n x n次。
for(int i =1;i<arr.length;i ) { //遍历n次 for(int j=0;j<arr.length-i;j ) {//遍历n-1次 if(arr[j]>arr[j 1]) { int temp = arr[j]; arr[j]=arr[j 1]; arr[j 1]=temp; } } }//整体复杂度n*(n-1)
-
时间复杂度O(logn)—对数阶，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。
int binarySearch(int a[], int key) { int low = 0; int high = a.length - 1; while (low <= high) { int mid = low (high - low) / 2; if (a[mid] > key) high = mid - 1; else if (a[mid] < key) low = mid 1; else return mid; } return -1;}
-
时间复杂度O(nlogn)—线性对数阶，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。
public void mergeSort(int[] arr, int p, int q){ if(p >= q) { return }; int mid = (p q)/2; mergeSort(arr, p, mid); mergeSort(arr, mid 1,q); merge(arr, p, mid, q);}private void merge(int[] arr, int p, int mid, int q){ int temp = new int[arr.length]; //此处将数组设为全局变量，否则每次都要创建一遍。 int i = p, j = mid 1，iter = p; while(i <= mid && j <= q){ if(arr[i] <= arr[j]) { temp[iter ] = arr[i ]； } else{ temp[iter ] = arr[j ]; } } while(i <= mid) { temp[iter ] = arr[i ]; } while(j <= q){ temp[iter ] = arr[j ]; } for(int t = p; t <= q; t ) { arr[t] = temp[t]; }}
-
O(1)—常数阶：最低的时空复杂度，也就是耗时与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标。
index = a;a = b;b = index;//运行一次就可以得到结果
-
时间复杂度的优劣对比常见的数量级大小：越小表示算法的执行时间频度越短，则越优；
O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2n)//2的n方<O(n!)<O(nn)//n的n方
