Big O notation
- O(1): Constant Complexity 常数复杂度
int n=100;
sout("this is n =" +" n"); //执行了一次 这里的时间复杂度为O(1)
int n=100;
sout("this is n =" +" n");
sout("this is n1 =" +" n");
sout("this is n2 =" +" n");
//执行了3次 这里的时间复杂度为O(3)
不论执行了几次,只要是个常数,就可以统一将常数的时间复杂度为O(1),即常数复杂度
- O(log n): Logarithmic Complexity 对数复杂度
for (int i = 1; i < n; i = i * 2) {
System.out.println("Hey - I'm busy looking at: " + i);
}
- O(n): Linear Complexity 线性时间复杂度
for (int i = 1; i <= n; i++) {
System.out.println(i);
}
因为执行了n次,所以它的时间复杂度为O(n);
for (int i = 1; i <= n; i++) {
System.out.println(i);
}
for (int j = 1; j <= n; j++) {
System.out.println(j);
}
虽然执行了2n次,但是它的时间复杂度也为O(n);即O(2n)去掉前面的系数2;
- O(n^2): N square Complexity 平方
for (int i = 1; i <= n; i++) { for (int j = 1; j <=n; j++) {
System.out.println(i + j);
}
}
因为执行了n^2次, 所以它的时间复杂度为O(n^2);即为双层嵌套循环
- O(n^3): N square Complexity 立方
即为三层嵌套循环。
注意:在考虑复杂度的时候,不考虑前面的系数。
写程序的时候,用最简洁的时间与空间复杂度完成
计算:1 + 2 + 3 + … + n
- 方法⼀一:从1到n的循环累加
y = 0
for i = 1 to n:
y += i
空间复杂度:O(1)
- 方法二:求和公式 sum = n(n+1)/2
y = n * (n + 1) / 2
空间复杂度:O(n)
所以对于能用公式的,用公式。
递归
0, 1, 1, 2, 3, 5, 8, 13, 21, …
F(n) = F(n - 1) + F(n - 2)
如果直接用递归:
int fib(int n) {
if (n <= 2) return n;
return fib(n - 1) + fib(n - 2);
}
用递归,会用很多冗余的操作。
以6为例,它要运算2^6次,非常多。
在面试中,尽量不要这样写。
二叉树遍历 - 前序、中序、后序:时间复杂度是多少?
每个节点访问且仅访问一次,所以为时间复杂度线性与二叉树的节点总数为O(n) ,
图的遍历:时间复杂度是多少?
图里面每个节点访问且仅访问一次,所以时间复杂度为O(n),n为图里面的节点总数。
搜索算法:DFS、BFS 时间复杂度是多少?
DFS深度优先,BFS广度优先,不管是DFS还是BFS,因为访问的节点是访问一次,所以时间复杂度为O(n),n为搜索空间里面的节点总数。
二分查找:时间复杂度是多少?
O(log(n))