定义与深入解析
时间复杂度O(n)直观上表示算法的运行时间随着输入数据的增加而线性增长。在这里，“n”代表输入数据的大小，可视为数据结构（如数组、链表等）中元素的数量。这种线性关系指出，如果输入数据翻倍，算法的执行时间也大致翻倍。
时间复杂度O(n)表示算法的执行时长与输入数据量成正比关系。其中，"n"代表输入数据的规模。
考虑一个场景，我们有一个数组，目标是遍历这个数组，逐一输出其元素值。
此类遍历操作的时间复杂度为O(n)，即执行次数与数组长度n直接相关。
function displayArrayItems(array) {
array.forEach(element => console.log(element));
}
在此情形下，数组的扩充导致输出操作成比例增加，显示算法的时间复杂度为线性，亦即O(n)。
简言之，时间复杂度O(n)暗示算法执行时长将随输入数据量的扩展而线性扩展。
时间复杂度为O(n)的示例
示例1：查找数组最大值
设有一个n元素数组，寻求其最大值。一种办法是遍历数组，记录遭遇的最大值：
function getMaxElement(array) {
let max = array[0];
array.slice(1).forEach(element => {
if (element > max) {
max = element;
}
});
return max;
}
此例中，我们审查每个元素确定最大者，时间复杂度因而为O(n)。
示例2：数组元素求和
设有一个n元素数组，计算其元素总和。通过遍历并累加每个元素实现：
function sumElements(array) {
return array.reduce((sum, current) => sum + current, 0);
}
此例要求对每个元素执行一次加法，时间复杂度也为O(n)。
示例3：检验数组含特定元素
假设一个n元素数组，需核实是否含某特定元素。通过遍历比较每个元素实现：
function hasElement(array, target) {
return array.some(element => element === target);
}
在此情况下，若目标元素不在数组中，最差需检验每项，时间复杂度为O(n)。
示例4：数组反转
考虑一个n元素数组，意在反转之，使首元素末尾，末元素首位，如此类推。可通过首尾元素交换实现：
function invertArray(array) {
let start = 0, end = array.length - 1;
while (start < end) {
[array[start], array[end]] = [array[end], array[start]];
start++;
end--;
}
}
// 使用示例
const exampleArray = [1, 2, 3, 4, 5];
invertArray(exampleArray);
console.log(exampleArray); // 输出: [5, 4, 3, 2, 1]
此例需要遍历半个数组进行元素互换，时间复杂度维持为O(n)。
总结
通过探讨时间复杂度O(n)的定义、示例和应用，本文旨在提高读者对算法效率的理解。掌握这一概念不仅有助于优化现有算法，还能启发创新思维，引导我们在复杂问题解决过程中做出明智的选择。随着数据量的不断增长，有效管理和处理数据成为现代技术领域的一个核心挑战，而时间复杂度O(n)的深入理解无疑是迈向解决这一挑战的关键一步。
