Leetcode基础概念
1. 数据结构
-
概念:存储数据的不同方式。例如:数组,链表
2. 算法 -
概念:同一问题的不同解决方法。算法往往是针对特定数据结构的。
对于插入一个数,链表要比数组简单的多;但是要访问一个数,数组比链表快得多。
3. 如何测算算法的优劣(Big O标记法)
- 时间复杂度
(1) 不考虑必须要做的操作,如循环、赋初值、程序初始化等。访问一个含有十个元素的数组里的某个值和访问一个含有一百万个元素的数组里的某个值,其时间复杂度都是O(1)。O(1)表示时间复杂度是一个常数,不管数组的规模有多大,访问其中一个数的时间都是一样的。
int a = 1;
int b = 2;
int c = 3;
(2) 一般时间复杂度讲的是“最差”情况。如访问链表某个位置的值或者求数组的平均数,其时间复杂度是O(n)。O(n)表示随着问题规模的扩大,时间复杂度也随之线性扩大。
for (int i = 1; i <= n; i++){
x++;
}
(3) 把 O(n) 的代码再嵌套循环一遍,它的时间复杂度就是 O(n²) 了
for (int i = 1; i <= n; i++){
for (int j = 1; j <= n; j++){
x++;
}
}
(4) O(logN)
int i = 1;
while (i<n){
i = i*2;
}
在while循环里面,每次都将 i 乘2,乘完之后,i 距离 n 就越来越近了。我们试着求解一下,假设循环x次之后,i 就大于 n 了,此时这个循环就退出了,也就是说 2 的 x 次方等于 n,那么 x = log2^n。也就是说当循环 log2^n 次以后,这个代码就结束了。因此其时间复杂度为:O(logn)。
- 空间复杂度
(1) 算法执行所需要的临时空间不随着某个变量n的大小而变化,即此算法空间复杂度为一个常量,可表示为 O(1)。
int x = 0;
int y = 0;
x++;
y++;
(2) 当算法所需的空间随着某个变量n的增大而增大,其空间复杂度为O(n)。
int[] newArray = new int[n];
for (int i = 0; i < n; i++){
newArray[i] = i;
}
(3) 当保存一个二维数组时,其空间复杂度为O(n²)。