如果您提到绩效分析，您如何看待？
可以用于时间 - 耗费分析和内存职业。您可以使用Chrome Devtools的profiler，包括性能和内存，以获取时间 - 耗费和内存占用数据，并且还可以使用火焰图表进行视觉分析。
例如，性能，您可以看到每个功能的时间消耗。通过简单的加法和减法方法，您可以计算哪个函数更多的时间耗尽，然后进行优化。
此外，您可以检查内存以显示堆内存的更改。您可以知道增加了哪个功能，然后优化。
当然，您还可以分别分析内存的时间表，记录一段时间的内存占用，然后查看此时内存中的对象，这比知道大小更准确。
简而言之，我们可以看到调试工具的镀膜器的内存和时间消耗，然后与特定功能相关联，然后开始优化。
但是，这些只能用代码计数，并且与机器和不同的输入数据密切相关。
如果更改机器，则数据是另一种方法。这是测试时如何用各种机器对其进行测试。
如果您不需要执行代码，则可以估算特定的时间和内存职业。有什么想法吗？
这就是复杂性分析技术所做的。
在本文中，我们将学习如何估算复杂性分析。
如果有这样的代码线：
它是多少，记忆是多少？
您可能会说您可能需要1ms，内存为4个字节，或者可能需要2ms，内存8bytes等。不同的机器和操作环境将有所不同。
但是我们都将其用作1。这个1不是MS，而不是字节，而是一个消耗时间/内存职业的基本单元，即复杂性为1。
该代码呢？
特异性值随着n而增加，复杂性为n。
当我们分析复杂性时，我们将不会分析特定的时间消耗和记忆占用。取而代之的是，该语句用作复杂性单位，即1，输入数据量表N的复杂性n用作N。
我们知道1和n，我们可以计算这些复杂性：
其中有两个陈述，复杂性为1 + 1，一个具有循环n的句子，复杂性为n，因此总复杂性为2 + n。
当n逐渐变大时，例如n将变为100,000，那么这个2可以忽略它。
那是
这是逐渐复杂性的含义，即逐渐增加时的复杂性。
一些学生说这是2，因此可以省略。如果这里有100,000个？您不能省略吗？
实际上，它也将被省略，因为无论多大，它的复杂性始终是一个常数，它是固定的并且不会改变，因此您不需要分析它。估计的时间消耗或内存职业以及其固定部分。更改的更改仅需要分析。
当我们计算逐渐复杂性o时，将省略常数，因为它是固定并且不变的，我们只分析了变化的一部分，即与n相关的部分。
上面只有一个输入数据。当尺度为n时，复杂性与n有关。
如果有两个输入数据，则当比例为M和N时，您必须对其进行计算，并且不能忽略它，因为它们都是更改。
也就是说，o（m + n），o（m * n）。
我们了解什么是1，什么是n，当它同时计算M和N时，什么是渐进的复杂性，为什么可以省略常数，您可以看到一些实际的复杂性示例。
实际上，复杂性也是许多类型：o（n），o（n^2），o（logn），o（2^n），o（n！）
这是O（n），我们在上面分析了。省略了恒定的复杂性。
这是O（n^2）。同样，o（n^3），o（n^4）等也意味着，即嵌套时，复杂性被乘以。
您需要多少次计算此代码？这取决于我乘以2次以大于100，即log2n
然后是log3n，log4n的复杂性。当复杂性逐渐复杂时，未计算常数，因此是o（logn）
我们都知道，可以使用上面的递归计算斐波那契数列。
这样，每个人都会添加到1，而fibnacci函数称为两次，也就是说，复杂性乘以2，因此复杂性为O（2^n）。
以同样的方式，如果每个n添加了n，而3次是递归的，那就是o（3^n）的复杂性。
换句话说，n添加了一次，复杂性为o（a^n）。
在上一个中，我们知道每个plus 1添加了n，而且多个递归通常是几次。它是索引类型。如果每次n次加1，则多个递归n次，这是复杂性o（n！）。
为什么不（n^n）？因为n已更改，它是o（n！）。
这基本上是一个总的时间复杂性。当然，这仅与n的纬度和一个纬度m相同，也是如此。
让我们区分这些时间复杂性的优势和缺点。
我们已经了解了伟大O逐渐时间的复杂性，以估计N与特定执行时间之间的关系。上面分析了许多时间的复杂性。特定执行时间之间有什么关系？您可以绘制更改功能进行分析。
可以看出，随着n的增加，o（n！）和o（2^n）是最快的时间，也就是说，这样的代码，一旦n即会立即死亡，无需我们可以分析它。
随着数据规模的增加，o（n），o（nlogn），o（logn）的卡住很容易？
所以我们说：
根据这个结论，我们可以判断某些代码写作的质量，即该算法的优势和缺点。
我需要运行代码真吗？不必要。
空间复杂性是堆栈内存分布与输入数据的比例N之间的关系。
这不包括全局变量，为什么？全局变量不更改动态，这等同于常数。可以省略。仅分析变化的堆栈内存的复杂性。
空间复杂性的分析方法和时间复杂性相似，但不是基于每个语句为1，而是可以将内存分配为1进行分析的语句。
例如，以下代码的空间复杂性为o（n）。
通常通过在运行时运行探测器来收集性能的分析，然后分析时间耗尽和内存职业，例如Chrome Devtoos的性能和内存工具。
但是实际上，无需运行代码，我们还可以通过复杂性来估计：
我们使用语句作为对1的复杂性，而复杂性n随输入数据的比例n而变化。
我们估计是分析时间耗费/记忆占用的时间。随着数据量表N的变化，它将使用O（n）来表达这种变化关系，称为逐渐复杂性。
当逐渐复杂性复杂时，可以省略常数，因为它们是固定的，我们只需要分析变化即可。
复杂性基本上是o（n）o（logn）o（n^2）o（2^n）o（n！）。
应该注意的是，o（2^n）是，当n是加1时，多个递归2次，如果为每个添加n，则多个递归n次，则o（n！）的复杂性。
O（2^n）和O（n！）的复杂性随N急剧增加，即，时间消耗/记忆职业将急剧增加。
o（logn）o（n）随着n的增加而增加，复杂性的增加很少。这意味着它花费的时间更少，而记忆更少。当然，这样的算法甚至更好。
因此，我们通过复杂性评估算法的质量，代表时间消耗/记忆占用，但不是直接表达的，而是抽象表示。
如果您想在不同的机器和环境中获得特定的时间消耗/内存职业，请使用Profiler在运行时收集数据，然后分析和可视化。否则，实际上，可以通过复杂性来估算近似的时间消耗和内存。
绩效分析不一定使用剖面。复杂性分析是可以的。它可以评估代码编写（算法）的好或坏，然后估算性能。