本文深入解析了程序执行中的时间复杂度和空间复杂度，以常见O(n), O(n^2), O(logn)等为例，阐述了不同级别的计算需求与数据规模的关系。理解这些有助于优化算法效率和资源利用。
什么是复杂度？
- 程序执行时需要的计算量和内存空间；
- 复杂度是数量级，不是具体的数字；
数量级：数量没在一个级别上，比如我有1000块，马爸爸有1000亿，那我和马爸爸在存款上就没在同一个数量级。但我身高172，马爸爸168，那我们身高差不多就在一个数量级
- 一般针对一个具体的算法，而不是一个完整的系统
时间复杂度
由图中可以看到,随着问题规模n(数据量)越大，时间复杂度也会呈现不同的变化趋势，
- 如O(1)的时间复杂度,随着数据量变大,它的时间复杂度是不变的，也就是说不管数据量是多大，它都只执行一次计算。
- O(n)的时间复杂度，随着数据量变大，它的时间复杂度是和数据量相等的，也就是说数据量多大，它就执行多少次计算。
- O(n ^ 2)的时间复杂度，随着数据量变大，它的时间复杂度是越来越陡峭的，也就是说数据量多大，它就执行数据量的平方次计算。
- O(logn)数据量的对数
- O(nlogn)数据量数据量的对数
空间复杂度
和时间复杂度概念差不多,参考上图
- O(1)有限的,可数的空间
- O(n)和输入的数据量相同的空间
扫一扫
2235
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
