1.复杂度

数据结构与算法的引入

斐波那契数列的实现

算法1：

	public static int fib1(int n) {         //复杂度：O(2^n)
        if (n <= 1) {
            return n;
        }else {
            return fib1(n - 2) + fib1(n - 1);
        }
    }

算法2：

public static int fib2(int n) {          //复杂度：O(n)
        if (n <= 1) {
            return n;
        }
        int first = 0;
        int second = 1;
        for (int i = 0; i < n - 1; i++) {
            int sum = first + second;
            first = second;
            second = sum;
        }
        return second;
    }

当n=46时，我们可以明显察觉到不同算法带来的性能差异

对于算法优劣的评估

1. 正确性、 可读性、 健壮性(对不合理输入的反应能力)
2. 时间复杂度：估算程序指令的执行次数(执行时间)
3. 空间复杂度：估算所需占用的内存空间

计算一个算法的时间复杂度(简单Demo)

    public static void test(int n) {       //此方法复杂度：1 + 2log2(n) + log2(n) * (1 + 3n)
    //外层循环复杂度：1 + log2(n) + log2(n)
    for (int i = 0; i < n; i += i) {   //i += i 等价为 i = i * 2 注意理解执行次数即为 1 * 2 * 2 * ... < n 求n
        //内层循环复杂度：1 + n + n + n = 1 + 3n
        for (int j = 0; j < n; j++) {
            System.out.println("Test");
        }
    }
}

大O表示法

1. 一般用大O表示法来描述复杂度，它表示的是数据规模n对应的复杂度
2. 忽略常数，系数，低阶
   • 9 --> O(1)
   • 2n + 3 --> O(n)
   • n^2 + 2n + 3 --> O(n^2)
3. 注意：大O表示法仅仅是一种粗略的分析模型，是一种估算

常见复杂度

|:----😐:----😐:----😐
|执行次数|复杂度|非正式术语|
|12|O(1)|常数阶|
|2n + 3|O(n)|线性阶|
|n^2 + 2n + 3|O(n^2)|平方阶|
|4log2(n) + 25|O(logn)|对数阶|
|3n + 2nlog3(n) + 15|O(nlogn)|nlogn阶|
|4n^3 + 3n^2 + 5|O(n^3)|立方阶|
|2^n|O(2n)|指数阶|

1. 复杂度对比：O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n ^3) < O(2^n) < O(n!) < O(n^n)
2. 通过具体图像展示复杂度对比