对于数据结构和算法的学习总是出于得过且过的状态,若不是即将毕业找工作可能还是不会重新拾起数据结构和算法的学习。相信在招聘过程中参加过笔试的人大部分都会面临算法题的打击。自己也是其中的一员,所以准备重新拾起,撸起袖子加油干。也以文章记录一下自已的学习。
复杂度
既然要学习数据结构和算法,那就得从时间复杂度和空间复杂度是说起。
时间复杂度
要想解决**“快”就得依靠时间复杂度进行分析。那么就有人说了我也可以借助在项目中打下时间戳来分析一段代码的运行时间呀,这种方法固然可行,但是前提条件是在根据业务需求已经实现了的情况下。如果时间不理想还要推到重来。而且还会受本地环境**、机器配置影响。所以提前分析就显得固然重要,想要提前分析就得掌握时间复杂度的计算方法。
-
那首先要掌握的就是大O复杂度表示
-
先练一下手(简单入门)
-
int timecomplexity(){ int i =1; //1 int sum=0; //2 for(int i;i<=n;i++){ //3 sum=sum+i; //4 } return sum; }
-
首先先假设每一行的执行速度都是相同的(cpu执行速度非常快,差别可以忽略不计)所以时间都设为x。可以看出注释为1、2的在方法调用时都只执行一次。则这两句的执行时间为2x;注释为3、4的因为参与的循环所以执行时间与n的大小有关,这两句的执行时间可以表示为2n*x。所以这段代码总的执行时间为2x+2n*x简化为==(2+2n)*x==
所有代码的执行时间*T(n)=(2+2n)x可以看出T(n)与n成正比(随着n的增大而增大)
此时引入大O , 成正比就可以表示为T(n)=Of(n)
-
大O表示T(n)与n成正比
-
T(n)表示所有代码执行时间的总和
-
f(n)表示每行代码执行的次数总和
所以上述代码使用大O复杂度表示为T(n)=Of(n)
-
大 O 时间复杂度实际上并不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势,所以,也叫作渐进时间复杂度,简称时间复杂度。
-
当n很大时公式中的常量、低阶、系数并不会影响f(n)函数的上升趋势,所以可以忽略不记
还是拿上面的这个时间复杂度来说其中f(n)=2+2n,其中常量2,系数2 都不会左右函数的增长趋势,所以当n很大时f(n)=2+2n可以写成f(n)=n
-
时间复杂度就可以计为T(n)=O(n)
-
-
先简单了解时间复杂度的计算方式和表达方式,后面要拿一些练习题做一下,掌握基本的时间复杂度的分析。当然空间复杂度也不能少。