数据范围以及对应的算法
下面给出在不同数据范围下,代码的时间复杂度和算法该如何选择:
- n≤30, 指数级别, dfs+剪枝,状态压缩dp
- n ≤ 100 = > O ( n 3 ) n≤100 => O(n^3) n≤100=>O(n3),floyd,dp,高斯消元
- n ≤ 1000 = > O ( n 2 ) , O ( n 2 log n ) n≤1000 => O(n^2),O(n^2\log n) n≤1000=>O(n2),O(n2logn),dp,二分,朴素版Dijkstra、朴素版PrimBellman-Ford
- n ≤ 10000 = > O ( n ∗ n ) n≤10000 => O(n∗\sqrt n) n≤10000=>O(n∗n),块状链表、分块、莫队
- n ≤ 100000 = > O ( n log n ) n≤100000 => O(n\log n) n≤100000=>O(nlogn) => 各种sort,线段树、树状数组、set/map、heap、拓扑排序、dijkstra+heap、prim+heap、Kruskal、spfa、求凸包、求半平面交、二分、CDQ分治、整体二分、后缀数组、树链剖分、动态树
- n ≤ 1000000 = > O ( n ) n≤1000000 => O(n) n≤1000000=>O(n), 以及常数较小的 $O(n\log n) 算法 = > 单调队列、 h a s h 、双指针扫描、并查集, k m p 、 A C 自动机,常数比较小的 算法 => 单调队列、 hash、双指针扫描、并查集,kmp、AC自动机,常数比较小的 算法=>单调队列、hash、双指针扫描、并查集,kmp、AC自动机,常数比较小的O(n\log n) $的做法:sort、树状数组、heap、dijkstra、spfa
- n ≤ 10000000 = > O ( n ) n≤10000000 => O(n) n≤10000000=>O(n),双指针扫描、kmp、AC自动机、线性筛素数
- n ≤ 1 0 9 = > O ( n ) n≤10^9 => O(\sqrt n) n≤109=>O(n),判断质数
- n ≤ 1 0 18 = > O ( log n ) n≤10^{18} => O(\log n) n≤1018=>O(logn),最大公约数,快速幂,数位DP
- n ≤ 1 0 1000 = > O ( ( log n ) 2 ) n≤10^{1000}=> O((\log n)^2) n≤101000=>O((logn)2),高精度加减乘除
- n ≤ 1 0 100000 = > O ( log k × log log k ) n≤10^{100000} => O(\log k \times \log{\log k}) n≤10100000=>O(logk×loglogk),k表示位数,高精度加减、FFT/NTT