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