面试中的时间复杂度分析

面试中的时间复杂度分析

到底什么是大O

  n表示数据规模

  O(f(n))表示运行算法所需要执行的指令数，和f(n)成正比。

到底什么是Big O

二分查找法 O(nlogn)        所需执行指令数:a*logn

寻找数组中的最大/最小值 O(n)  所需执行指令数:b*n

归并排序算法 O(nlogn)      所需执行指令数:c*nlogn

选择排序算法 O(n^2)        所需执行指令数:d*n^2

算法A: O(n)      所需执行指令数:10000*n

算法B: O(n^2)     所需执行指令数: 10*n^2

在学术界，严格地讲，O(f(n))表示算法执行的上界

归并排序算法的时间复杂度是O(nlogn)的，同时也是O(n^2)的

在业界，我们就使用O来表示算法执行的最低上界

我们一般不会说归并排序是O(n^2)的

O(nlogn+n)=O(nlogn)

O(nlogn+n^2)=O(n^2)

O(AlogA+B)

O(nlogn+n)=O(nlogn)
O(AlogA+B^2)

如对邻接表实现的图进行遍历:

时间复杂度:O(V+E)

一个时间复杂度的问题

  有一个字符串数组，将数组中的每一个字符串按照字母序排序；之后再讲整个字符串数组按照字典序排序。整个操作时间的时间复杂度？

  假设最长的字符串长度为s;数组中有n个字符串

  对每个字符串排序:O(slogs)

  将数组中的每一个字符串按照字母序排序:O(n*slog(s))

  将整个字符串数组按照字典序排序:O(s*nlog(n))

  O(n*slog(s))+O(s*nlog(n))=O(n*s*logs+s*n*logn)

                   =O(n*s*(logs+logn))

算法复杂度在有些情况是用例相关的

插入排序算法O(n^2)

最差情况:O(n^2)

最好情况:O(n)

平均情况:O(n^2)

快速排序算法O(nlogn)

最差情况:O(n^2)

最好情况:O(nlogn)

平均情况：O(nlogn)

O(nlogn+n)=O(nlogn)