玩转算法面试第二章——面试中的复杂度分析

玩转算法面试第二章——面试中的复杂度分析

2-1.究竟什么是大O（Big O）

上面的复杂度是错误的

我们还是看平均情况下的时间复杂度。

2-2.对数据规模有一个概念

10的x次方的时间，
相当于每次是前一次的十倍时间

上述时间除以10是可以处理的数据范围
比如O(n^2)也就是1000个数据

右边因为递归的操作系统栈中要有n个状态，所以空间复杂度是0(n).
主要看递归的深度

2-3.简单的复杂度分析

交换字符串:

二分查找法：扔掉一般的元素去查找

int to string
(num为负数为0怎么办)

log以2为底和以10为底 ，就差一个常数倍。

一个数是不是素数：

2-4.亲自试验自己算法的时间复杂度

但对于n的数量影响比较大

• O(n)
  
  每次数据规模都翻了一倍 ，可以看到复杂度O(n)级别

• O(n^2)
  
  n^2的关系，所以每次是4倍

• log(n)
  

n越来越大，前面的log2几乎没有

2-5.递归算法的复杂度分析

• 求n^x方：
  
  
  
  
  指数级对于数据规模限制 20次方就百万级数据了

树的深度是logn的，在这些排序算法中数据规模是在缩小的

每一层的数据规模都是8，每一层上都是O（n）
所以是nlog(n)级别复杂度

这一节主要把几种的递归函数的情况深入理解，能够看到代码知道递归的复杂度是多少。

2-6.均摊时间复杂度分析

典型的例子：

自己来模拟一个Vector：
当我们的空间不够用时需要resize

pushback虽然有O（n）的复杂度，但是均摊后还是O(1)

时间还是近乎两倍的增长

2-7.避免复杂度的震荡

删除一个元素的问题，我们删除元素可不可以适当的缩小容量的大小呢？

第一点：resize后data的值会抹掉，所以要事先保存好data

如果在临界点不停的删除 添加，就无法均摊，退化成O（n）级别

resize为再添加元素留出余地，1/4时再resize

解决后的pop_back