从零开始学习算法，同时记录小编的成长历程，也希望小编的博客能对学习算法的同学给到一点帮助，废话不多说，开始上干货。
目录
1,时间复杂度（记为O（高价项）保留高价，去掉低价，常熟与系数（低价，高价）流程决定）
认识复杂度
在算法当中我们如何判断一个算法的好坏核心标准？
通过算法的1，时间复杂度 ，2，额外空间复杂度与3，常数项时间进行判断。
1,时间复杂度（记为O（高价项）保留高价，去掉低价，常熟与系数（低价，高价）流程决定）
1，常数时间的操作(执行时间固定的操作）
如果一个操作的执行时间不已样本本量为转移，每次都执行固定时间。
2，常见的常数操作
2.1 ：加减乘除等，取余（+，-，*，/，%)
2.2 ：常见的位运算（<<(带符号正或负进行计算）,<<<（不带符号正或负进行计算），|，&，^）
2.3 :赋值，比较，自增，自减，单语句的if，else
2.4 ： 数组寻址操作（link,list不是）
3，举例计算空间复杂度（选择排序）
在列表中，从下标0到n-1开始寻找最小值，放在0位置上。在从下标1到n-1开始寻找最小值（看一遍，比一比，还位置），放在1上，反复循环操作。
把整个流程拆分为基本常熟操作（如下）
常熟操作：an**2+bn+n+c
| 第一次 n*(2（看+比）+1 （n个数，+1是换操作 二个数看1次， 比一次） |
| 第二次 n-1*(看+比）+1 （n个数，+1是换操作） |
| 第三次 n-2*(看+比）+1 （n个数，+1是换操作） |
| 反复a次 |
所以选择排序复杂度为O（n^2）
4：意义
当处理大量数据时，我们会发现低价项是什么不重要，每一项系数是什么不是最重要的，最重要是是最高价项，
它是衡量流程复杂程度的一种指标，只与数据量有关，与过程之外的优化无关
5：常见的时间复杂度排序（好到差）
O(1)>O(logn)>O(N)>O(N*logN)>O(N*K) "例子：O(N*2)">O(k^N)"例子：O(2*N)">O(N!)
2，额外空间复杂度（记为O（n）流程决定）
2.1：作为输入的参数空间，不算额外空间，作为输出结果的空间，不算额外空间，必要的的，和实现目的有关的都不算。
2.1：当执行算法中，不需要额外空间，只需要额外几个变量，就可以完成算法，额外空间复杂度记为 O（1）“常数操作”
2.2：当执行算法中，与功能无关，自己需要开辟额外数组，就可以完成算法，额外空间复杂度记为 O（n）
3，常数项时间（实现代码时细节决定）
3。1：当时间复杂度与额外空间复杂度一样的情况下，判断哪一个更好算法的标准
3.2 ：通常用代码直接进行测试判断，哪一个执行的更快，哪一个好
4，一个问题的最优解是什么意思？
一般情况下，在时间复杂度的指标上，一定要尽可能的低，先满足时间复杂度在使用最少的空间复杂度的算法流程。（特殊情况下，卡常熟项时间）
对数器
1，实现·是对数器？
1.1：你想要测的方法A
1.2：实现复杂度不好，但是对的方法B
1.3：实现一个随机样本产生器
1.4.：把A和B跑起来进行比较，看看结果是否一样
1.5：如果结果不一致，人工干涉用断点查看不同，改进方法A
1.6：当样本数量多时依然正确，则方法A就正确了
2，设置随机样本产生器
'''
设计一个随机数组
作者：ls富
'''
import random
def random_sum():
i = 0
ls = []
size=int(random.random()*100)
#设置列表个数
while i < size :
#随机增加元素(一个减一个）
ls.append(int(random.random()*100-random.random()*100))
i+=1
return ls
if __name__ == '__main__':
print(random_sum())
异或运算
1：与（&），按位与运算符：参与运算的两个值，如果两个相应位都为1，则该位的结果为1，否则为0
2：或（|），按位或运算符：只要对应的两个二进位有一个为1时，结果位就为1
3：异或（^）,按位异或运算符：当两对应的二进位相异时，结果为1
4：取反（~），按位取反运算符：对数据的每个二进制位取反，即把1变为0，把0变为1
5：左位移（<<）,运算数的各二进位全部左移若干位，由<<右边的数字指定了移动的位数，高位丢弃，低位补0 （通常写法：n*2+1<=>（(n<<2)|1）
6：右位移（>>）,把‘>>’左边的运算数的各二进制位全部右移若干位，>>右边的数字指定了移动的位数