7 | 时空复杂度分析

7 时空复杂度分析

一般来说，c++每秒钟可以算10⁷~ 10⁸ 次

类型总结

yxc总 总结有：

[由数据范围反推算法复杂度以及算法内容](由数据范围反推算法复杂度以及算法内容 - AcWing):

一般ACM或者笔试题的时间限制是1秒或2秒。
在这种情况下，C++代码中的操作次数控制在10⁷为最佳。

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：

1. n≤30, 指数级别, dfs+剪枝（暴力搜素），状态压缩dp
2. n≤100 → O(n3)，floyd，dp
3. n≤10^3 → O(n2)，O(n2logn)，dp，二分
4. n≤10^4 → O(n∗√n) ，块状链表
5. n≤10^5 → O(nlogn) => 各种sort，线段树、树状数组、set/map、heap、dijkstra+heap、spfa、求凸包、求半平面交、二分
6. n≤10^6 → O(n), 以及常数较小的O(nlogn) 算法 => hash、双指针扫描、并查集、kmp、AC自动机，常数比较小的 O(nlogn) 的做法：sort、树状数组、heap、dijkstra、spfa
7. n≤10^7 → O(n)，双指针扫描、kmp、AC自动机、线性筛素数
8. n≤10^9 → O(√n)，判断质数
9. n≤10^18 → O(logn)，最大公约数

代码时间复杂度分析

主要是对递归代码的时间复杂度进行分析

1. 纯循环

   观察代码中的循环即可

2. 递归算法

   递归算法的时间复杂度本质上是 递归的次数 ***** 每次递归中操作的次数

   • 使用递推方法求时间复杂度（也就是写出式子一个一个求就可以了）

   • 主定理(Master Theorem)

     What_is_the_Master_Theorem:

     if $T(n)=aT(\left[\frac{n}{b}\right])+O(n^d)$ (for constants $a>0,b>1,d\ge 0$), then:

     $$T(n)=\{\begin{array}{r}O(n^d)ifd>lo{g}_{b}a\\ O(n^{d}logn)ifd=lo{g}_{b}a\\ O(n^{lo{g}_{b}a})ifd<lo{g}_{b}a\end{array}$$

     其中，n 是问题规模的大小，a 是原问题子问题的个数，n/b 是每个子问题的大小， O(n^d) 是将原问题分解成子问题和将子问题的解合并成原问题的解的时间（这里O(n)^d其实可以等价于写成f(n)，然后就可以用$O(n^{lo{g}_{b}a})$和f(n)进行比较了）。

     在这篇专栏中有一些例子：主定理(Master Theorem) - 知乎 (zhihu.com)

   • 递归树

     递归树的规则为：

     (1) 每层的节点为T(n) = kT(n / m) + f(n)中的f(n)在当前的n/m下的值；

     (2) 每个节点的分支数为k；

     (3) 每层的右侧标出当前层中所有节点的和。

     在这篇博客的文末有两个详细的例子：三种方法求递归算法的时间复杂度（递推，master定理，递归树）_毕业势必进大厂的博客-CSDN博客_递归求时间复杂度