通常狀況下我們更關心足夠大的問題，注重考察成本的增長趨勢。
漸進分析：問題足夠大時，計算成本的增長
大o記號（big-o notation）:
t(n)=o(f(n))
存在c>0，當n>>2時t(n)f(n)
常係數可忽略：o(f(n))=o(cf(n))
低次項可忽略：a>b，o(na+nb)=o(na)
大ω記號，n無窮大時，下界函式
大θ記號，存在c1>c2>0，當n>>2，有c1f(n)>t(n)>c2f(n)
時間成本常數，含ram各種基本操作，這類演算法效率最高
常底數、常次數冪、對數多項式均無影響
對於任意c>0，logn=o(nc)，故此類演算法無限接近於常數。
多項式一般都能簡化為：o(nc)
線性（linear function）：所有o(n)類函式
從o(n)到o(n2)：程式設計習題所覆蓋的主要範圍
對於任何c>1，nc=o(2c)
這類演算法的計算成本增長極快，通常被認為不可忍受。
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...