【数据结构与算法】data structures & algorithms 第一章：复杂度分析

NoBlackstone

已于 2022-06-20 10:04:02 修改

阅读量308

点赞数 1

分类专栏：数据结构与算法文章标签： c++ 数据结构算法后端

于 2021-10-27 22:25:48 首次发布

本文链接：https://blog.csdn.net/weixin_38872229/article/details/121003744

版权

8 篇文章 1 订阅

订阅专栏

数据结构与算法系列文章目录

简介
- 不同计算机的软硬件环境不同，所以不能通过计算机上运行所消耗的时间来度量；
- 一般地，时间复杂度是用总的执行次数来间接表示程序的运行时间，这样根据不同性能的计算机，单位时间内执行速度来度量时间的消耗；
- 数据结构中，每条语句的执行次数，被称为该语句的频度；在计算代码的频度时，一般会得到一个式子，此时需要简化，取最大的因子；如有 $2n + 3n^2 + 1$ ，通过 $n\rightarrow \infty$ ,我们可以把式子简化为 $n^2$ ；
- 一般地，习惯用大O表示法，表达 $T (n)$ 的时间复杂度，即 $O (频度)$ ；一般情况下，以最坏情况的频度作为时间复杂度；
计算
- 寻找算法的基本语句：执行次数最多的语句，通常在最内侧循环的循环体中；
- 将基本语句执行次数的数量级放入大O中；
- 常见的时间复杂度
  $O(\log n) < O(n) < (n\log n) < O(n^2) < o(n^3) < \cdots < O(2^n) < O(n!) < O(n^n)$
  一般地，算法没有循环体的时间复杂度为 $O (1)$ ，即常数时间； $O(\log n),O(n),O(n\log n),O(n^2),O(n^3)$ 等称为多项式时间，带有这类时间复杂度的算法才算是可执行的有效算法； $O(2^n),O(n!)$ 等被称为指数时间；

简介
- 算法运行过程中临时占用空间大小的度量，用 $S (n)$ 定义；
- 一般地，只注意定义变量的语句；
- 计算复杂度时，观察与n的变化关系，如 $\ \ a = 0$ ，与n无关， $\ \ b[n]$ ，与n有关；
计算
- 程序占用存储空间与输入值无关，则为 $O (1)$ ；
- 如果随着输入值n的增大，申请的临时空间成线性增长，则为 $O (n)$ ；
- 如果随着输入值n的增大，申请的临时空间成 $n^2$ 增长，则为 $O(n^2)$ ；
- 如果 $\cdots$ ， $\cdots$ 成 $n^3$ 增长，则为 $O(n^3)$ ；

关注