数据结构学习笔记

 算法的复杂度\n1.1大O复杂度表示法\n 公式:\n\n\n\nT(n)表示代码执行的时间; n表示数据规模的大小; f(n) 表示每行代码执行的次数总和。因为这是一个公式， 所以用f(n)来表示。公式中的O,表示代码的执行时间T(n)与f(n)表达式成正比。\n\n      所以，第一个例子中的T(n) = O(2n+2)，第二个例子中的T(m) = 0(2n2 +2n+3)。这就是大O时间复杂度表示法。大O时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度(asymptotic time complexity)，简称时间复杂度。\n\n      当n很大时，你可以把它想象成10000、100000。 而公式中的低阶、常量、系数三部分并不左右增长趋势,所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大O表示法表示刚讲的那两段代码的时间复杂度,就可以记为: T(n) = O(n); T(n)= 0(n2)。\n \n\n1.2.复杂度分析法则\n1）单段代码看高频：比如循环。\n2）多段代码取最大：比如一段代码中有单循环和多重循环，那么取多重循环的复杂度。\n3）嵌套代码求乘积：比如递归、多重循环等\n4）多个规模求加法：比如方法有两个参数控制两个循环的次数，那么这时就取二者复杂度相加。\n\n1.3 时间复杂度分析\n\n只关注循环执行次数最多的一段代码\n加法法则：总复杂度等于量级最大的那段代码的复杂度\n乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积