时间复杂度衡量的是算法随输入规模增长的渐进执行步数趋势，而非具体执行多少次；显式展开n次打印是常数级代码（O(1)），而单层循环实现才是真正的O(n)——二者表面行为相似，但抽象层级与可扩展性截然不同。
时间复杂度衡量的是算法随输入规模增长的**渐进执行步数趋势**，而非具体执行多少次；显式展开n次打印是常数级代码（o(1)），而单层循环实现才是真正的o(n)——二者表面行为相似，但抽象层级与可扩展性截然不同。
在算法分析中，一个常见误区是将“程序实际执行了多少条语句”等同于“时间复杂度”。例如，对一个长度为 n 的数组进行遍历打印，我们自然会写出如下标准循环：
static void printArray(int[] myArray) {
for (int i = 0; i < myArray.length; i++) {
System.out.println(myArray[i]);
}
}该函数的时间复杂度为 O(n) —— 因为循环变量 i 从 0 增至 n−1，每次迭代执行一次常数时间操作（println），总步数正比于 n，且该关系对任意输入规模 n 均成立。
然而，若改为手动“展开”所有调用：
static void printArray(int[] myArray) {
System.out.println(myArray[0]);
System.out.println(myArray[1]);
System.out.println(myArray[2]);
// ... 依此类推，直到第 n-1 个元素
System.out.println(myArray[n-1]); // ❌ 编译错误：n 非编译期常量！
}这段代码根本无法通过编译（除非 n 是已知编译时常量，如 final int n = 5;）。更重要的是：即使我们为每个固定长度 n 单独编写一份专属版本（例如 printArray5()、printArray100()），那么每个具体函数的执行步骤数都是确定的、有限的、与输入无关的——比如 printArray100() 永远执行恰好 100 次 println，其运行时间不随任何“动态输入”变化，因此在大O记号下属于 O(1)。
这引出了关键区分：
- ✅ 循环版本：描述的是一个通用算法，能处理任意长度 n 的数组；其代码长度固定，但执行步数随 n 线性增长 → 时间复杂度为 O(n)。
- ❌ 硬编码展开版本：实质是 n 个不同程序的集合，每个只解决一个特例问题（如“打印恰好100个元素”）；对每个特例，执行步数恒定 → 单个程序的时间复杂度为 O(1)，但它不具备算法泛化能力。
? 类比理解：
- 循环就像一本《乘法口诀表使用指南》——你给它任意两个数，它都能算出结果，耗时与数字位数相关；
- 硬编码展开则像一张印着“7×8=56”的卡片——它只回答一个问题，快得惊人，但换一道题就得换一张新卡。
进一步地，时间复杂度的定义依赖于计算模型（如图灵机、RAM模型）和输入规模 n 的明确定义。只有当算法能在同一份代码中接收并响应不同规模的输入时，“随 n 增长的趋势”才有意义。这也是为什么递归斐波那契（fib(n)）时间复杂度为 O(2ⁿ)，尽管它没有 for 循环——其执行路径数量随 n 指数爆炸，这才是复杂度分析真正关注的结构性增长。
? 总结要点：
- 时间复杂度是关于输入规模 n 的函数，不是某次运行的具体步数；
- O(n) 要求算法逻辑能适配任意 n，而非仅针对某个固定值手工编码；
- 循环、递归、分治等控制结构是表达“规模依赖性”的语言机制，而硬编码只是对特例的静态快照；
- 判断复杂度，永远先问：这段代码，当 n 变为 1000、10⁶、10⁹ 时，它的核心执行逻辑是否自动伸缩？
因此，回到原问题：“写n行print” ≠ “时间复杂度O(n)”。前者是O(1)的特例实现，后者是O(n)的通用算法——二者看似效果一致，实则横跨了工程实现与算法理论的分水岭。
