【数据结构】时间复杂度(详细解释,例子分析,易错分析,图文并茂) |
您所在的位置:网站首页 › 数据结构算法复杂度 › 【数据结构】时间复杂度(详细解释,例子分析,易错分析,图文并茂) |
🎊专栏【数据结构】 🍔喜欢的诗句:更喜岷山千里雪 三军过后尽开颜。 🎆音乐分享【星辰大海】 大一同学小吉,欢迎并且感谢大家指出我的问题🥰
目录 ⭐时间复杂度分类 🍔 方法 🎈平方阶 🎈立方阶 🎈对数阶 🍔例子 ✨常数时间复杂度 O(1) 🎈数组读取、索引和赋值 🎈判断一个整数是否为偶数或奇数 🎈 返回固定长度的数组,字符串或其他数据结构 ✨线性时间复杂度O(n) 🎈遍历数组或列表中的元素 🎈线性搜索算法 🎈求数组或列表的元素之和或平均值 ✨对数时间复杂度O(log n) 🎈二分查找 🎈堆排序算法 ✨平方时间复杂度O(n^2) 🎈冒泡排序 🎈插入排序算法 ✨立方时间复杂度 三重循环 ✨指数时间复杂度 O(2^n) 🎈斐波那契数列 🍔易错分析 ✨误以为时间复杂度都要用 n 表示 🎈递归的时间复杂度 🎈数据规模的影响 一个算法的执行时间大致上等于其所有语句执行时间的总和 一个语句的执行时间为该条语句的重复执行次数和执行一次所需时间的乘积 ⭐时间复杂度分类算法的时间复杂度是指运行算法所需的时间与问题规模之间的增长关系。通常用大O符号来表示算法的时间复杂度,也被称为渐进时间复杂度。算法时间复杂度分为以下几类: 常数时间复杂度 O(1):无论问题规模如何变化,算法的运行时间都保持不变。 线性时间复杂度 O(n):当输入规模n线性增加时,算法的运行时间呈现出线性增长趋势。 对数时间复杂度 O(log n):当输入规模n呈指数增长时,算法的运行时间呈对数增长趋势。 平方时间复杂度 O(n^2):当输入规模n线性增加时,算法的运行时间呈现出平方增长趋势。 立方时间复杂度O(n^3):当输入规模n线性增加时,算法的运行时间呈现出立方增长趋势。 指数时间复杂度 O(2^n):当问题规模成指数增长时,算法的运行时间将会急剧增加。 在设计和优化算法时,理解算法的时间复杂度非常重要。因为时间复杂度直接影响着算法的效率和可扩展性,我们应该尽可能选择时间复杂度低的算法来解决问题。 🍔 方法找程序段里面频度最大的语句 🎈平方阶1 x=0;y=0; 2 for(int i=1;i |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |