接下来的系列文章将深入探讨Linux内核如何精细地调度进程，在此之前，理解一些基础概念是必不可少的。
开发人员在研究算法、排序时，常常会遇到O(1)，O(n)，O(logn)，O(nlogn)等时间复杂度标记。这些标记背后隐藏着怎样的秘密呢？让我们带着好奇和探索的欲望开始今天的文章。
O(1)、O(n)、O(logn)、O(nlogn)等是算法时间复杂度的表示方法。不仅如此，它们同样用于表示算法的空间复杂度。这代表了算法在执行过程中所需的时间和空间资源量。
算法复杂度分为时间复杂度和空间复杂度，它们各自的作用是：
-
时间复杂度主要反映执行算法所需的计算工作量。
-
空间复杂度则主要反映执行算法所需的内存空间。
在计算机科学中，时间和空间都是宝贵的资源。算法的复杂性正是在运行该算法时计算机所需资源多少的体现。
在O后的括号中，通常跟随着一个函数，用以表明某个算法的耗时或耗空间与数据增长量之间的关系。其中，n代表了输入数据的数量。
-
时间复杂度为O(n)，即线性阶，意味着当数据量增大几倍时，耗时也大致增大几倍。遍历算法就是这一类型的代表。
-
而时间复杂度为O(n^2)，即平方阶，则意味着当数据量增大n倍时，耗时会增大n的平方倍。冒泡排序就是一个典型的O(n x n)算法。
-
时间复杂度为O(logn)，即对数阶，表示当数据量增大时，耗时增长相对较慢。二分查找就是一个典型的O(logn)算法。
-
还有时间复杂度为O(nlogn)，即线性对数阶，表示的是一种介于线性和平方之间的复杂度。归并排序就拥有这样的时间复杂度。
-
O(1)是最小的时空复杂度，表示算法的执行时间或空间需求与输入数据的大小无关。哈希算法就是这种时间复杂度的典型例子。
理解并比较这些时间复杂度的数量级大小，可以帮助我们更好地评估和优化算法的性能。通常来说，较低的复杂度意味着算法的执行时间或空间需求更少，性能更优。