大O事件复杂度表示法，并不具体表示代码真正的执行时间，而是表示代表执行时间随数据规模增长的变化趋势，所以也叫 渐进时间复杂度 asymptotic time complexity，简称 时间复杂度
时间复杂度分析
- 只关注循环执行次数最多的一段代码
- 加法法则：总复杂度等于两级最大的那段代码的复杂度
- 如果T1(n)=O(f(n))，T2(n)=O(g(n))，那么T(n)=T1(n)+T2(n)=O(max(f(n),g(n)))
- 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
- 如T(n)=T1(n)*T2(n)=O(n*n)=O(n^2)
对于复杂度量级，可以粗略的分为两类，多项式量级，非多项式量级，其中非多项式量级有O(2^n)，和O(n!)，即NP时间复杂度
采用大O标记复杂度时，可以忽略系数，即O(Cf(n))=O(f(n))，log3n=log3 2*log2n，其中C=log3 2，所以可以忽略
与时间复杂度对应的是空间复杂度，全称是 渐进空间复杂度 asymptotic space complexity，表示算法的存储空间与数据规模之间的增长关系
最常用的20个知识点
10个数据结构
- 数组
- 链表
- 栈
- 队列
- 散列表
- 二叉树
- 跳表
- 图
- Trie树
10个算法
- 递归
- 排序
- 二分查找
- 搜索
- 哈希算法
- 贪心算法
- 分治算法
- 回溯算法
- 动态规划
- 字符串匹配算法
算法汇总
课程目录
