A，时间复杂度
1，算法效率的度量标准
单位时间内，随着输入规模的增大，算法增长率的大小； 【增长率考量】
而表示算法的复杂度，我们往往采取极限值，所以，测试时需要大量的数据进行测试；
2，算法时间复杂度表示法
大O表示法，将忽略常数项和乘数 ；这里比如最常见的高斯算法【(1+n)*n/2】，最后记作n^2/2+n/2，我们将忽略常数，然后保留最高项，则去除了2n，而线性阶n/2的乘法，也将被忽略，所以，这里它的时间复杂度为：O(n^2)
随着测试数据规模的增大，增长率越小，算法越优；
3，常见复杂度顺序
O(1) 常数阶 < O(logn) 对数阶< O(n) 线性阶< O(nlogn) nlogn阶< O(n^2) 平方阶< O(n^3) 立方阶< O(2^n) 指数阶 < O(n!) 阶乘 < O(n^n)
如果一个算法到了立方阶...理论上也不必再纠结它了
4，最坏运行时间和平均情况
实际算法运行情况是不可预计的，在算法理论中，最坏运行时间是一种保证，也是大O表示法所列举的，体现了算法的鲁棒性；而平均情况则侧重于程序运行时本身
B，空间复杂度
一般不会过度得设计空间，一般都是采用时间和空间之间的转换；这两者关系和能量守恒一样，不会存在一种优化了，另外一个没有损耗；
我们一般说的复杂度，都是指时间复杂度；
网友评论