Leetcode 刷题笔记 时间复杂度

单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的！

程序的运行离不开计算机环境（包括硬件和操作系统），这些客观原因会影响程序运行的速度并反应在程序的执行时间上。那么如何才能客观的评判一个算法的优劣呢？

时间复杂度与“大O记法”

一句话：就是完成基本运算的时间总和（描述算法运行时间的快慢）

对于算法进行特别具体的细致分析虽然很好，但在实践中的实际价值有限。对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为3n2和100n2属于同一个量级，如果两个算法处理同样规模实例的代价分别为这两个函数，就认为它们的效率“差不多”，都为n2级。

最坏时间复杂度
分析算法时，存在几种可能的考虑：
算法完成工作最少需要多少基本操作，即最优时间复杂度
算法完成工作最多需要多少基本操作，即最坏时间复杂度
算法完成工作平均需要多少基本操作，即平均时间复杂度

时间复杂度的几条基本计算规则

1. 基本操作，即只有常数项，认为其时间复杂度为O(1)
2. 顺序结构，时间复杂度按加法进行计算
3. 循环结构，时间复杂度按乘法进行计算
4. 分支结构，时间复杂度取最大值
5. 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
6. 在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度

注意：

1. 时间复杂度只考虑最高项：
   O(2^n + n^2) = O(2^n)
   O(n^3 + 1000n^2) = O(n^3)
   因为系数只改变了函数的陡峭程度，而不改变函数的总趋势。比如n^2 和n^ 3是有区别的。但10n^2 和 n^2是一样的。
2. 时间复杂度是通过运算的步骤n来进行衡量的。
3. n表示和问题相关的规模问题。

常见时间复杂度


List和Dictionary已经不是计算机的基础结构了，是python内置的数据结构。下面这个时间复杂度要掌握清楚，因为在后面更复杂的问题中，我们将考虑什么时候应用List，什么时候选择Dictionary。