Note-2

复杂度

  在竞赛中，每道题目通常会给出这样的限制，在测试程序时，平台经常会给出“运行超时”OT/TLE，或者“内存超限”MLT。除了程序本身出错，题目无法得分往往是由于我们写的程序没有满足这些限制。

  算法是处理数据，得到使自己满意的结果的一组方法。一般来说，执行哈里发所需要的时间和运行中用来储存各种变量的空间，会随着数据规模（记为$n$）增大而增大，在竞赛中，我们一般更关注时间复杂度。（不过也不是说可以随便浪费空间）

时间复杂度

  考虑我们在一个长度为$n$的（互不相同的）数组中搜索一个大小为$x$
的值。（假设我们一定找得到）

• 最简单地，我们会从头到尾一个一个找，直到找到这个$x$为止

arr=[1,2,4,5,7,8,9,12,67]
x=8
for n in range arr:
	if n==x:
	# TODO

• 平均而言，这个$x$在数组的正中间，我们在找到$x$之前，一共要循环$n/2$次，我们记为这个算法的平均时间复杂度为：$\Omega (\frac{n}{2})=\Omega (n)$
• 最好的情况下，这个$x$就在第一位，一共要循环$1$次，也就是算法的最佳时间复杂度为：$o(1)$
• 最坏的情况下，这个$x$在数组的最后一位，也就是算法的最坏时间复杂度为：$O(n)$

注意：

• 时间复杂度我们往往只关注$n$非常大时的最坏情况。
• $n$非常大：此时算法有多快，只和$n$的函数形式有关，与常数无关。例如当$n\to \infty$时，$O(n)$与$O(\lambda n)$（$\lambda$为常数）算法之间的速度差异远远小于$O(n)$与$O(n^2)$之间的差异——至少在测试点真的想考察程序的运算速度时。
• 下面是常见复杂度对于不同规模数据的运行速度差异。（一般来说，除了图论问题，复杂度高于$O(n^3)$的算法都不予考虑）
  
• 复杂度计算：
  • 线性遍历数据的循环，复杂度一律是$O(n)$
  • 二分遍历数据的循环，复杂度是$O(\log n)$（不管底数是多少，反正就差个常数）
  • 循环嵌套，复杂度相乘，就是$O(n)\cdot O(n^2)=O(n^3)$
    • 特别地，希尔排序复杂度约为$O(n^{1.7})$
  • 循环结束后再次循环，复杂度取最大的，就是 O ( n ) + O ( n 2 ) = O