【时间复杂度】常见典例 手写详解 总结

1,复杂度

  •  一个程序或算法的时间效率,也称“时间复杂度”,有时简称“复杂度”。
  •  复杂度常用大写字母O和小写字母n来表示,比如O(n),O(nlogn)等。n代表问题的规模。
  •  时间复杂度是用算法运行过程中,某种时间固定的操作需要被执行的次数和n的关系来度量的。

2,计算复杂度与常见种类

  • 如果复杂度是多个n的函数之和,则只关心随n的增长增长得最快的那个函数。(高数极限思维)

 

  • 常见种类

 3,常见复杂度典例

  • 无序数列查找某数(顺序查找) O(n)
  • 平面上有n个点,要求出任意两点之间的距离 O(n²)
  • 插入排序、选择排序、冒泡排序 O(n²)
  • 快速排序 O(nlogn)
  • 二分查找 O(logn)

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
搜索算法是一种在图或者树等数据结构中寻找特定目标的算法,例如在图中找到一条路径使得节点A能够到达节点B。搜索算法可以有多种实现方式,其中最常见的两种是深度优先搜索(DFS)和广度优先搜索(BFS)。 在搜索算法中,空间复杂度指的是在执行算法过程中所需要的内存空间大小。时间复杂度则是指在执行算法过程中所需要的时间,通常用算法的执行步骤数来表示。 以DFS算法为例,假设我们需要在一张图中找到从起点节点S到目标节点T的路径。DFS算法中,我们可以使用递归或栈来存储已经访问过的节点。在递归的情况下,每次递归调用都会使用一定的栈空间,而在使用栈的情况下,则需要开辟额外的空间来存储栈中的元素。因此,DFS算法的空间复杂度为O(bm),其中b是每个节点的平均分支数,m是最大递归深度。 在时间复杂度方面,DFS算法的执行步骤数取决于搜索到的路径长度。在最坏情况下,DFS算法需要搜索遍历整张图,因此时间复杂度为O(b^m)。在实际应用中,由于搜索过程中往往会遇到一些剪枝策略,因此实际执行的步骤数可能会更少。 对于BFS算法而言,空间复杂度通常会比DFS算法高,因为BFS算法需要使用队列来存储已经访问过的节点。在时间复杂度方面,BFS算法的步骤数同样取决于搜索到的路径长度。在最坏情况下,BFS算法需要遍历整张图,因此时间复杂度为O(b^d),其中d是起点节点到目标节点的距离。 综上所述,搜索算法的空间复杂度和时间复杂度都与搜索到的路径长度有关。在实际应用中,我们通常会根据问题的特点选择合适的搜索算法,并结合一些剪枝策略来优化算法的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值