假如:对于算法A来说对整个数据n扫描一遍对每个数据要执行10000条指令
对于算法B需要双重循环两次扫描B,但是在具体的双重循环中进行处理的时候只要执行10条指令
A的常数项远远大于B的常数项
时间复杂度衡量的是量级上的差距。当n突破了一个点的时候时间复杂度低的就一定会比时间复杂度高的算法快而且n越大这个优势越明显(当n=10^6时如果A需要1天则B需要运行3天)
由例子可以看出复杂度高的算法可能存在前面常数(a,b,c,d)的小的优势。在数据规模小的时候是有意义的。
(当数据规模小道一定程度都可以转而使用插入排序法来进行优化,大约提高10%-15%,这属于细节优化)
首先将每个字符串的长度和数组长度错误的混淆在一起了
此段代码是有bug的(当num=0或者num为负数时)
此段代码不够严谨,当n小于3时会自动判为 true
质数又称素数。一个大于1的自然数,除了1和它自身外,不能被其他自然数整除的数叫做质数;否则称为合数。
深度为n,每一个节点处理的数据规模相同都是1
可以进行优化(剪枝/动态规划将指数级的复杂度变为多项式级)
深度为logn ,每个节点处理的数据规模逐渐减小
更多关于复杂递归的时间复杂度分析可以搜索 主定理
resize()中的复杂度为O(n),因为resize()中需要将原数组中的数据复制到新数组中
所以 push_back() 平均情况下复杂度还是O(1)
动态删除时会出现复杂度震荡