斐波那契数列计算中，原始递归法时间复杂度为o(2ⁿ)，因重复计算导致效率低下；通过记忆化优化可降至o(n)，显著提升性能。
在JavaScript开发中，算法的性能直接影响程序的运行效率。面对数据量增长，一个高效的算法能显著提升执行速度与资源利用率。衡量算法效率的核心指标是时间复杂度和空间复杂度。理解并优化这两个维度，是编写高质量代码的关键。
时间复杂度：关注执行时间的增长趋势
时间复杂度描述的是算法执行时间随输入规模增长的变化趋势，通常用大O符号（O）表示。它不关心具体运行多少毫秒，而是看最耗时操作执行了多少次。
常见的时间复杂度从优到劣包括：
- O(1)：常数时间，如访问数组指定索引
- O(log n)：对数时间，如二分查找
- O(n)：线性时间，如遍历数组
- O(n log n)：如快速排序、归并排序
- O(n²)：嵌套循环，如冒泡排序
- O(2ⁿ)：指数级，如递归计算斐波那契数列（未优化）
优化建议：
立即学习“Java免费学习笔记（深入）”；
- 避免不必要的嵌套循环，将O(n²)降为O(n)或O(n log n)
- 使用哈希表（对象或Map）替代数组查找，将O(n)查询变为O(1)
- 利用缓存（记忆化）减少重复计算，尤其适用于递归场景
空间复杂度：关注内存占用的增长趋势
空间复杂度衡量算法在运行过程中临时占用存储空间的大小，同样用大O表示。它包含变量、对象、递归调用栈等所占内存。
例如：
- 只使用几个变量：O(1)
- 创建一个与输入等长的新数组：O(n)
- 递归深度为n：调用栈空间为O(n)
- 生成所有子集：结果存储空间为O(2ⁿ)
优化建议：
立即学习“Java免费学习笔记（深入）”；
- 尽量原地操作数据，避免创建多余副本
- 使用生成器（generator）处理大数据流，实现惰性求值，降低峰值内存
- 避免深拷贝，改用引用或结构共享（如Immutable.js思想）
- 控制递归深度，必要时改写为迭代形式
实际优化案例：斐波那契数列
以计算第n个斐波那契数为例：
原始递归写法：
<font face="Courier New">function fib(n) {
if (n <= 1) return n;
return fib(n - 1) + fib(n - 2);
}</font>时间复杂度为O(2ⁿ)，存在大量重复计算。
优化方案一：记忆化递归
<font face="Courier New">const memo = {};
function fib(n) {
if (n in memo) return memo[n];
if (n <= 1) return n;
memo[n] = fib(n - 1) + fib(n - 2);
return memo[n];
}</font>时间降至O(n)，空间为O(n)。
优化方案二：动态规划（迭代）
<font face="Courier New">function fib(n) {
if (n <= 1) return n;
let a = 0, b = 1;
for (let i = 2; i <= n; i++) {
[a, b] = [b, a + b];
}
return b;
}</font>时间O(n)，空间O(1)，达到最优。
基本上就这些。掌握复杂度分析，能帮助你在编码时做出更合理的选择，写出既快又省的JavaScript算法。
