算法性能分析

算法性能分析

时间复杂度

程序运行时间：通常会估算算法的操作单元数量来代表程序消耗的时间
在决定使用哪些算法的时候，不是时间复杂越低的越好（因为简化后的时间复杂度忽略了常数项等等），要考虑数据规模，如果数据规模很小甚至可以用O(n^2)的算法比O(n)的更合适（在有常数项的时候）。我们说的时间复杂度都是省略常数项系数的，是因为一般情况下都是默认数据规模足够的大。
O(1)常数阶 < O(logn)对数阶 < O(n)线性阶 < O(n^2)平方阶 < O(n^3)立方阶 < O(2^n)指数阶

递归算法时间复杂度

递归算法的时间复杂度本质上是要看: 递归的次数 * 每次递归中的操作次数。

（1）递推求

（2）Master定理求时间复杂度

要求a >= 1, b > 1为整数，f(n)是正函数

规则1举例：

规则2举例：

（3）递归树求解

例2：

空间复杂度分析

空间复杂度是考虑程序运行时占用内存的大小，而不是可执行文件的大小。
递归算法的空间复杂度 = 每次递归的空间复杂度 * 递归深度

代码的内存消耗

（1）内存管理方式

不同的编程语言各自的内存管理方式。

• C/C++这种内存堆空间的申请和释放完全靠自己管理
• Java 依赖JVM来做内存管理，不了解jvm内存管理的机制，很可能会因一些错误的代码写法而导致内存泄漏或内存溢出
• Python内存管理是由私有堆空间管理的，所有的python对象和数据结构都存储在私有堆空间中。程序员没有访问堆的权限，只有解释器才能操作。

（2）内存对齐

只要可以跨平台的编程语言都需要做内存对齐。C/C++、Java、Python
为什么会有内存对齐？【面试可能会问】
平台原因：不是所有的硬件平台都能访问任意内存地址上的任意数据，某些硬件平台只能在某些地址处取某些特定类型的数据，否则抛出硬件异常。为了同一个程序可以在多平台运行，需要内存对齐。
硬件原因：经过内存对齐后，CPU访问内存的速度大大提升。