时间复杂度与复杂度

时间复杂度

​ 时间复杂度o(1):o表示一个估值，1代表一个时间运行单位，这个值比较小

​ O(n):表示一层循环

​ O(n^2):表示两层循环

​ O(n^3):表示三层循环，并且依次类推

（1）时间复杂度：O(1)，不涉及根本的变化，还是在一次方级别的

（2）时间复杂度为O(n^2)

这种的时间复杂度记为：O(log2n)或O(logn)

当算法过程出现循环折半的时候，复杂度式子中会出现logn

如何简单快速地判断算法复杂度

1.快速盘算算法复杂度(适用于绝大多数情况)：

​ 确定问题规模n

​ 循环下班呐过程-logn

​ k层关于n的训话–n^k

2.复杂情况：根据算法执行过程判断

小结

1.时间复杂是用来估算算法运行时间的一个式子(单位)

2.一般来说，时间复杂度高的算法比复杂度低的算法满。

3.常见的时间复杂度(按照效率顺序)

​ O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n2logn)<O(n^3)

4.复杂问题的时间复杂度

​ O(N!),O(2^n),O(nn)

空间复杂度

空间复杂度：用来评估算法内存占用大小的式子

空间复杂度的标识方式与实践复杂度完全一样

​ 算法使用了进个变量：O(1)

​ 算法使用了长度为n的一维列表：O(n)

​ 算法使用了m行n列的二位列表：O(mn)

“空间换时间”：宁可占用更多时间，也要让时间更快

递归方面：汉诺塔问题

def hanoi(n, a, b, c):
    if n>0:
        hanoi(n-1, a, c, b)
        print("moving from %s to %s" % (a, c))
        hanoi(n-1, b, a, c)

hanoi(3, 'A', 'B', 'C')