前言
开篇，先来看看我的技术学习良性循环图，将对技术的热情提起来。
前面一篇对算法有了初步的了解和认知。
算法最吸引我的有三个点：
- 在算法中，存在秩序和规则，工作中我喜欢有条不紊；
- 算法可以帮助我解决一些问题；
- 探索解题过程很有趣，虽然过程会有点曲折。
前一篇提到了，「好」算法，高效性和低存储性是两个标准，这两个标准应对的是算法的运行时间和存储空间。
算法的运行时间一般称之为时间复杂度。
算法的存储空间的大小一般称之为空间复杂度。
本篇从这两点出发，深入了解一下算法的复杂性。
算法复杂性
时间复杂度
渐近界
以函数f(n)为例，O(f(n))表示时间复杂度渐进上界，Ω(f(n))时间复杂度渐进下界。
渐进上界代表算法完成工作所需的最长的时间。
渐进下界代表算法完成工作所需的最佳的时间（最短时间）。
这两个值可以用来衡量算法的时间复杂度。通常用O(f(n))表示时间复杂度。
来看一个计算的例子
function funC(n) {
let i = 1; // 运行1次
while (i < n) {
// 可假设运行x次
i = i * 2; // 可假设运行x次
}
}假设可运行x次，当i=n时结束,由此可以得到公式：
2^x=n
则可以求得x的值为：
x=log_2n
时间复杂度渐近上界为:
O(f(n))=O(log_2n)
渐近准确界
θ(f(n))表示渐近准确界，θ会更加精确。当即接近渐近上界又接近渐近下界时就是渐近准确界。
三个边界的图形实例
空间复杂度
算法储存空间分类
算法占用的储存空间包括：
- 算法本身：可以忽略不计（应该吧，我看大部分文章中，列等式的时候没有它）
- 输入空间：输入数据所占的空间
- 输出空间：算法运行之后，存储输出数据所需的空间大小
- 辅助空间：算法执行中使用的额外空间或临时空间
当输入数据大小为N时，空间复杂度 = 辅助空间+输出空间。其中辅助空间是衡量算法空间复杂度的关键因素。
常数O(1)
算法执行中的辅助空间大小固定，不随输入数据N的大小而变化，此时算法的空间复杂度为常量，空间复杂度用O(1)表示。
let a = 1;
let b = a;
a+=1;线性O(N)
当算法分配的空间是与N 呈线性关系的任意类型的集合（如数组等）时，空间复杂度用 O(n)表示。
let arr = new Array(n); // 数组占用的大小为n未完待续
以前对算法的时间复杂度和空间复杂度，只是知道皮毛。认真学习之后，有了更深入的了解。
上篇文章中有五个问题，只回答了前两个，后面三个还在思考中，对于「如何实现从掌握到精通？」这个问题，已经有点眉目了，我整理整理，下篇详细聊聊。
扪心自问的问题们：
- 学到的算法是否可以应用到工作中？
- 学到的算法怎么应用到工作中？
- 如何实现从掌握到精通？
推荐文章
在学习的过程中，查找了一些资料，其中有些写的比较好的文章，我列出来推荐给大家
