复杂度

复杂度

复杂度分析

1. 数据结构和算法的目标：快、省，即执行效率和资源消耗。
2. “事后统计法”具有很大局限性，提前预估效率很重要。
3. 复杂度分析是学习算法的精髓和分析算法的利器。

时间复杂度

1. 假设每行代码执行时间意义，所有代码的执行时间 T(n) 和每行代码的执行次数 n 成正比。

T(n) = O (f(n))

2. 大O时间复杂度表示代码执行效率随数据规模增长的变化趋势，也叫渐进时间复杂度。
3. 当n很大时，低阶、常量、系数并不左右增长趋势，可以省略，只需要记录最大量级。

1. 只关注循环次数最多的一段代码.
2. 加法法则：总复杂度等于量级最大的那一段代码。
3. 乘法法则：嵌套代码的复杂度等于内外代码复杂度之积。

4. 常见复杂度量级
   1. 非多项式量级：$O(2^n),O(n!)$,称为NP算法，效率较低。
   2. 多项式量级：$O(1),O(logn),O(n),O(nlogn),O(n^k)$。

$O(1)$

int i = 1 ;
int j = 2 ;
int sum = i + j ;

常量级时间复杂度的表示方法，即便有 3 行，也是 O(1) ,并非 O(3) 。一般情况下，只要不存在循环、递归，复杂度都为 O(1) ，与代码量无关。

$O(logn)、O(nlogn)$

int i = 1 ;
while ( i <= n )
{
   
    i = i * 2 ;
}

这段代码的复杂度为 $O($