01背包遍历顺序系列
参考:0-1背包问题思路分析,重点解释一维dp数组的01背包问题为什么要倒序遍历背包,以及为什么不能先遍历背包,只能先遍历物品_haoooyee的博客-优快云博客
时间复杂度:
首先,我们来谈谈常用操作的时间复杂度,按数据结构/算法划分。然后,我们将讨论给定输入大小的合理复杂性。
数组(动态数组/列表)
规定 n = arr.length,
在结尾添加或删除元素: O(1) 相关讨论
从任意索引中添加或删除元素: O(n)
访问或修改任意索引处的元素: O(1)
检查元素是否存在: O(n)
双指针: O(n⋅k), k 是每次迭代所做的工作,包括滑动窗口
构建前缀和: O(n)
求给定前缀和的子数组的和:O(1)
字符串 (不可变)
规定 n = s.length,
添加或删除字符: O(n)
任意索引处的访问元素: O(1)
两个字符串之间的连接: O(n+m),
m 是另一个字符串的长度
创建子字符串: O(m),
m 是子字符串的长度
双指针: O(n⋅k), k 是每次迭代所做的工作,包括滑动窗口
通过连接数组、stringbuilder 等构建字符串:O(n)
链表
给定 n 作为链表中的节点数,
给定指针位置的后面添加或删除元素: O(1)
如果是双向链表,给定指针位置添加或删除元素: O(1)
在没有指针的任意位置添加或删除元素: O(n)
无指针任意位置的访问元素: O(n)
检查元素是否存在: O(n)
在位置 i 和 j 之间反转: O(j−i)
使用快慢指针或哈希映射完成一次遍历: O(n)
哈希表/字典
给定 n = dic.length,
添加或删除键值对: O(1)
检查 key 是否存在: O(1)
检查值是否存在: O(n)
访问或修改与 key 相关的值: O(1)
遍历所有键值: O(n)
注意: O(1) 操作相对于 n 是常数.实际上,哈希算法可能代价很高。例如,如果你的键是字符串,那么它将花费 O(m),其中 m 是字符串的长度。 这些操作只需要相对于哈希映射大小的常数时间。
集合
给定 n = set.length,
添加或删除元素: O(1)
检测元素是否存在: O(1)
上面的说明也适用于这里。
栈
栈操作依赖于它们的实现。栈只需要支持弹出和推入。如果使用动态数组实现:
给定 n = stack.length,
推入元素: O(1)
弹出元素: O(1)
查看 (查看栈顶元素): O(1)
访问或修改任意索引处的元素: O(1)
检测元素是否存在: O(n)
队列
队列操作依赖于它们的实现。队列只需要支持出队列和入队列。如果使用双链表实现:
给定 n = queue.length,
入队的元素: O(1)
出队的元素: O(1)
查看 (查看队列前面的元素): O(1)
访问或修改任意索引处的元素: O(n)
检查元素是否存在: O(n)
注意:大多数编程语言实现队列的方式比简单的双链表更复杂。根据实现的不同,通过索引访问元素可能比 O(n) 快,但有一个重要的常量除数。
二叉树问题 (DFS/BFS)
给定 n 作为树的节点数,
大多数算法的时间复杂度为 O(n⋅k),k 是在每个节点上做的操作数, 通常是 O(1)。这只是一个普遍规律,并非总是如此。我们在这里假设 BFS 是用高效队列实现的。
二叉搜索树
给定
n 作为树中的节点数,
添加或删除元素:最坏的情况下 O(n),平均情况 O(logn)
检查元素是否存在:最坏的情况下 O(n),平均情况 O(logn)
平均情况是当树很平衡时 —— 每个深度都接近满。最坏的情况是树只是一条直线。
堆/优先队列
给定 n = heap.length 并讨论最小堆,
添加一个元素: O(logn)
删除最小的元素: O(logn)
找到最小的元素: O(1)
查看元素是否存在: O(n)
二分查找
在最坏的情况下,二分查找的时间复杂度为 O(logn),其中 n 是初始搜索空间的大小。
其他
排序: O(n⋅logn), 其中
n 是要排序的数据的大小
图上的 DFS 和 BFS:O(n⋅k+e),其中 n 是节点数,e 是边数,前提是每个节点处理花费都是
O(1),不需要重复遍历。
DFS 和 BFS 空间复杂度:通常为 O(n),但如果它在图形中,则可能为 O(n+e) 来存储图形
动态规划时间复杂度:
O(n⋅k),其中 n 是状态数,k 是每个状态所需要的操作数
动态规划空间复杂度:O(n),其中n是状态数
转载自:力扣