本文是學習演算法的筆記，《資料結構與演算法之美》，極客時間的課程
資料結構和演算法 解決快與省的問題 即如何讓**執行的更快，如何讓**更省儲存空間
複雜度描述的是演算法執行時間（或占用空間）與資料規模的增長關係
事後統計法，也就是跑一遍**，就可以得到執行時間和占用記憶體大小。其侷限性在於：結果非常依賴測試環境，比如處理器不同，硬體不同，導致結果可能不一樣。還有一點是測試結果受資料規模的影響很大
大o複雜度表示法
所有**的執行時間，與每行**的執行次數成正比
t（n） = o(f(n))
常量、係數三部分並不左右增長趨勢，只需要記錄乙個最大級就可以了，
t (n) = o (n); t（n）= o(n^2)
只關注迴圈次數最多的一段**
加法法則：總複雜度等於量級最大的那段**的複雜度
t(n) =o(max(f(n), g(n)))
乘法法則:巢狀**的複雜度等於巢狀內外**複雜度的乘積
t(n)=o(f(n)*g(n))
多項式階：隨著資料規模的增長，演算法的執行時間和空間占用，按照多項式的比例增長。包括，
o(1)（常數階）、o(logn)（對數階）、o(n)（線性階）、o(nlogn)（線性對數階）、o(n2)（平方階）、o(n3)（立方階）
非多項式階：隨著資料規模的增長，演算法的執行時間和空間占用暴增，這類演算法效能極差。包括，
o(2^n)（指數階）、o(n!)（階乘階）
o(1): 一般情況下，只要演算法中下存在迴圈語句、遞迴語句，即使成千上萬行的**，其時間複雜度也是o(1)。
o(logn) o(nlogn)
對數階的複雜度很常見，但比較難分析。看下面的一段偽**
for(int i = 1; i < n; i++)[
i = i * 2;
}
複雜度分析 時間複雜度分析和空間複雜度分析
其實，只要講到資料結構與演算法，就一定離不開時間 空間複雜度分析。而且我個人認為，複雜度分析是整個演算法學習的精髓，只要掌握了它，資料結構和演算法的內容基本上就掌握了一半。1.時間複雜度分析 對於剛才羅列的複雜度量級，我們可以粗略地分為兩類，多項式量級和非多項式量級。其中，非多項式量級只有兩個 o ...
複雜度分析 時間複雜度 空間複雜度
執行效率是演算法的乙個重要的考量指標，演算法的執行效率用時間 空間複雜度來衡量。今天我們來學習一下複雜度的分析。通常我們可以通過執行程式來獲得演算法的真正的執行時間，這種方法我們可以稱為事後統計法，但這種方法得到的是具體的資料，測試結果很依賴測試環境，而且受資料規模影像最大。因此，我們需要乙個不需要...
複雜度分析（上）時間複雜度 空間複雜度
為了肉眼 實時 快速地來分析出 的複雜度，我們需要乙個不用具體的測試資料來測試，就可以粗略地估計演算法的執行效率的方法。時間複雜度 空間複雜度 表示演算法的執行時間與資料規模之間的增長關係。每行 對應的 cpu 執行的個數 執行的時間都不一樣，但是，我們這裡只是粗略估計，所以可以假設每行 執行的時間...