【数学基础】复杂度理论

1. 常数级复杂度（O(1)）

• 特征：计算量与输入规模无关
• 举例：
  • 哈希表查询：通过键的哈希值直接定位存储位置（如 HashMap.get(key)）。
  • 数组下标访问：通过索引直接读取元素（如 arr[5]）。

---

2. 对数级复杂度（O(log n)）

• 特征：计算量随规模增加呈对数增长
• 举例：
  • 二分查找：在排序数组中每次排除一半数据（时间复杂度为 O(log₂n)）。
  • B树索引查询：数据库索引只需遍历树高（如 MySQL B+Tree）。

---

3. 线性级复杂度（O(n)）

• 特征：计算量与输入规模呈正比
• 举例：
  • 数组遍历：完整扫描所有元素（如 for(int i=0; i<n; i++)）。
  • 过度拆分带来的JOIN操作：Cjoin∝M×N​​（线性关系）

---

4. 线性对数级复杂度（O(n log n)）

• 特征：计算量介于线性与平方之间
• 举例：
  • 快速排序：递归分治（最优时间复杂度 O(n log₂n)）。
  • 归并排序：分组合并排序结果。

---

5. 多项式级复杂度（O(nᵏ), k≥2）

• 特征：计算量随规模幂次增长
• 举例：
  • 平方级 O(n²)：
    • 冒泡排序：两层嵌套循环（比较次数 ≈ n²/2）。
    • 全表扫描JOIN：未使用索引的SQL关联（如 SELECT * FROM a,b WHERE a.id=b.id）。
  • 立方级 O(n³)：
    • 矩阵乘法：三重循环计算（朴素算法）。

---

6. 指数级复杂度（O(kⁿ), k>1）

• 特征：计算量呈指数爆炸式增长
• 举例：
  • 暴力穷举密码：8位字母密码的组合数为 26⁸ ≈ 209亿种。
  • 旅行商问题（TSP）：遍历所有路径组合（解空间大小为 n!）。

---

在分库分表场景中：

• 过度拆分，则是Cjoin∝M×N​​ 属于线性级复杂度（非指数级）
• 实际工程风险点：当 M=1000 且 N=3 时，计算量达 3000 次分片操作 → 需通过设计规避：

---

重要总结：

• 指数级复杂度（如O(2ⁿ)） 是系统设计的“灾难性陷阱”（如无剪枝的递归回溯）。
• 分库分表的核心优化目标：通过架构设计（冗余/分片键策略），将分布式操作复杂度从 O(M×N) 降为 O(1)（如单分片内完成查询）。
• 终极实践原则：在编写高复杂度代码时（如嵌套循环），必须立即追问——是否存在更优的数学逻辑可降维？