ps:极客时间,数据结构和算法之美的个人总结
复杂度分析是算法的精髓,掌握了复杂度分析,算法的内容算了掌握一半。
一.为什么需要复杂度分析
事后统计法的缺陷
- 测试结果非常依赖测试环境
- 测试结果受数据规模的影响很大
因此需要一个不依赖具体数据来测试,能粗略估计算法执行效率的方法。
二. 大O复杂度表示法
不代表真正的执行时间,而是执行时间随数据规模增长的变化趋势,也叫时间复杂度。
三. 时间复杂度分析
- 只关注执行循环最多的一段代码,忽略低阶,常量和系数。
- 加法法则,总复杂度等于量级最复杂那段代码的复杂度。
- 乘法法则,嵌套代码的复杂度等于内外嵌套复杂度的乘积。
- 多个数据规模求加法
四.常见的复杂度
五.空间复杂度分析
- 时间复杂度的全称是渐进时间复杂度,表示算法的执行时间与数据规模之间的增长关系。
- 空间复杂度全称就是渐进空间复杂度(asymptotic space complexity),表示算法的存储空间与数据规模之间的增长关系。
常见的空间复杂度就是O(1)、O(n)、O(n2 ),像O(logn)、O(nlogn)这样的对数阶复杂度平时都用不到。
复杂度趋势图: