dfs时间复杂度_《数据结构与算法》分析时间与空间复杂度

本文是覃超老师的《算法训练营》的学习笔记，此笔记的内容包含了学习后的个人记录、个人总结、理解和思想。从而更好的学习算法。

前言

学习任何一门知识的时候，我们需要分析清楚这门知识的核心是什么，从而在这个核心中我们可以得到什么。如果我们是盲目的吸收知识，其实很多知识我们都是在目前场景、工作、生活中无法使用的。也是因为学习之后无法运用，所以我们很快就会遗忘，或者是在学习的过程中很容易就会放弃。

在一生的学习的过程中，发现学习我们急需使用或者能给我们及时带来价值的知识，我们会学的更加牢固，更加能坚持学习。

学习《数据结构与算法》这门知识的核心是什么？又能得到什么呢？

1. 弄懂编程的底层逻辑；
2. 在编程的过程中，拥有一个哆啦A梦一样百宝工具袋；
3. 在遇到性能问题的时候，有算法的思维逻辑和规则来解决问题；
4. 提高编程思维；

这篇笔记记录了算法的核心时间和空间复杂度，《数据结构与算法》都是围绕着这个核心开展的。它的存在也是为了解决我们在编程的过程中性能问题，同时也让我们有更高级的思维和思路，写出更优质的程序。

复杂度指标 Big O Notation

• O (1): 常数复杂度 - Constant Complexity
• O (log n): 对数复杂度 - Logarithmic Complexity
• O (n): 线性复杂度 - Linear Complexity
• O (n^2): 平方复杂度 - N square Complexity
• O (2^n): 指数 - Exponential Growth
• O (n!): 阶乘 - Factorial

如何看时间复杂度

• 分析函数；
• 根据n的不同情况会运行多少次；
• 最后得出一个平均的运行次数的量级；

Complexity 例子

O (1) - 常数复杂度

let n = 1000;
console.log("Hello - your input is: " + n)