時間複雜度：執行乙個程式的基本步驟的總數量。(這麼理解比較直觀吧，看他一共需要執行的步驟)
q：a，b,c，是1000以內的自然數，滿足a+b+c=1000，a平方加b平方等於c平方。方法一：列舉法
import time
start_time = time.time()
for a in range(1001):
for b in range(1001):
for c in range(1001):
if a + b + c == 1000 and a**2 + b**2 = c**2:
print('a,b,c:%d,%d,%d'%(a,b,c))
end_time = time.time()
print('time is : %'%(end_time - start_time))
問題規模為n的話
t(n)=n*n*n*2 = 2*n^3 （常數2，可以不計較，2*n^3與10*n^3屬於乙個量級）
時間複雜度：t(n) = n^3
"大o記法"：對於單調的整數函式f，若存在乙個整數函式g和常實數c（c>0），使得對於充分大的n總有f(n) <= c*g(n),就說g是f的漸近函式，記f(n)=o(g(n))
「最壞時間複雜度」：最多需要多少步驟，提供了一種保證，在最壞時間複雜度下，該程式一定能執行完。
時間複雜度基本計算：
1、基本操作，即只有常數項，認為其時間複雜度為o(1)
2、順序結構，時間複雜度按加法進行計算
3、迴圈結構，時間複雜度按乘法計算
4、分支結構，時間複雜度取最大值
5、判斷乙個演算法的效率時，往往只需要關注運算元量的最高次項，次要項和常數項可以忽略
6、沒有說明時，我們所分析的演算法時間複雜度是「最壞時間複雜度」
改進演算法：
for a in range(1001):
for b in range(1001):
c = 1000 - a - b
if a**2 + b**2 == c**2:
print('a,b,c:%d,%d,%d'%(a,b,c))
演算法時間複雜度：
t(n) = n*n*(1 + max(0,1)) =2*n^2
= o(n^2)
常見的時間複雜度（logn,不是和理解啊，那是什麼鬼？）
常見時間複雜度大小比較：
上面沒寫的是：n^2 < n^2*log(n)
時間複雜度 大O演算法
演算法的執行效率，就是演算法 的執行時間。我們需要能夠用肉眼就看出一段 的執行時間。int cal int n return sum 2,3行都執行了1個unit time的執行時間，4,5行都執行了n遍，所以是2n unit time的執行時間，所以一共是 2n 2 unit time。所有的 的...
大O表示法和時間複雜度
學資料結構和演算法的目的 實現程式的高速執行，那麼必然要了解複雜度。複雜度分為兩個維度 時間 空間。在開發過程中，我們希望時間和記憶體消耗都越少越好，但很多時候無法做到兼顧，需要在時間和空間之間做出取捨已達到最佳狀態。對複雜度的計算一般採用事前分析估算的方法，即大o表示法。接下來讓我們進入複雜度的學...
大O符號與時間複雜度
大o符號 big o notation 是用於描述函式漸進行為的數學符號。也可以這麼說 用乙個大o，在其括號 中，用另乙個函式來描述原來的函式的數量級的漸進上界 電腦科學中，用於分析演算法複雜性非常有用 這個符號有兩種形式上很接近但迥然不同的使用方法 無窮大漸近與無窮小漸近。然而這個區別只是在運用中...