ByteByteGo制作的关于 Big O 表示法 的基础介绍图表，展示了不同算法的时间复杂度，以及它们与输入规模的关系。

Big O 表示法用于描述算法的效率和性能。图中列出了几种常见的时间复杂度及其特点，按从低到高的增长速度排列：

1. O(1) - 常数时间：

特点：算法的运行时间是恒定的，不随输入规模变化。

例子：数组中通过索引访问一个元素、在哈希表中插入或删除元素。

2. O(n) - 线性时间：

特点：算法的运行时间与输入规模成正比，输入规模越大，时间越长。

例子：在未排序的数组中查找最大或最小值、检查某个元素是否存在于数组中。

3. O(log n) - 对数时间：

特点：算法的运行时间随着输入规模的增加呈对数增长。

例子：对已排序数组进行二分查找、操作平衡二叉搜索树。

4. O(n log n) - 线性对数时间：

特点：运行时间以线性和对数的结合形式增长，常见于高效排序算法。

例子：归并排序、堆排序、快速排序的平均情况。

5. O(n^2) - 二次时间：

特点：算法的运行时间随输入规模的平方增加，通常涉及嵌套循环。

例子：简单的排序算法，如冒泡排序、选择排序、插入排序。

6. O(n^3) - 立方时间：

特点：运行时间随输入规模的立方增长，常见于需要多层嵌套循环的算法。

例子：使用朴素算法进行矩阵乘法。

7. O(2^n) - 指数时间：

特点：每增加一个输入，算法的运行时间会翻倍，通常与递归问题相关。

例子：解决旅行商问题、递归分治算法。

8. O(n!) - 阶乘时间：

特点：运行时间随输入的阶乘增长，复杂度极高。

例子：排列问题，如对一组元素的所有排列组合进行计算。

9. O(√n) - 平方根时间：

特点：算法运行时间与输入规模的平方根成比例，通常涉及范围搜索问题。

例子：如筛法求质数等问题。