ehlxr/hello-algo
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Update README

Browse Source
This commit is contained in:
krahets
2022-11-23 15:50:59 +08:00
parent 550024f69b
commit faba5af781
19 changed files with 61 additions and 57 deletions
Download Patch File Download Diff File Expand all files Collapse all files

10
docs/chapter_computational_complexity/space_complexity.md
View File

@@ -26,7 +26,7 @@ comments: true
![space_types](space_complexity.assets/space_types.png)
<p style="text-align:center"> Fig. 算法使用的相关空间 </p>
<p align="center"> Fig. 算法使用的相关空间 </p>
=== "Java"
@@ -144,7 +144,7 @@ $$
![space_complexity_common_types](space_complexity.assets/space_complexity_common_types.png)
<p style="text-align:center"> Fig. 空间复杂度的常见类型 </p>
<p align="center"> Fig. 空间复杂度的常见类型 </p>
!!! tip
@@ -252,7 +252,7 @@ $$
![space_complexity_recursive_linear](space_complexity.assets/space_complexity_recursive_linear.png)
<p style="text-align:center"> Fig. 递归函数产生的线性阶空间复杂度 </p>
<p align="center"> Fig. 递归函数产生的线性阶空间复杂度 </p>
### 平方阶 $O(n^2)$
@@ -317,7 +317,7 @@ $$
![space_complexity_recursive_quadratic](space_complexity.assets/space_complexity_recursive_quadratic.png)
<p style="text-align:center"> Fig. 递归函数产生的平方阶空间复杂度 </p>
<p align="center"> Fig. 递归函数产生的平方阶空间复杂度 </p>
### 指数阶 $O(2^n)$
@@ -350,7 +350,7 @@ $$
![space_complexity_exponential](space_complexity.assets/space_complexity_exponential.png)
<p style="text-align:center"> Fig. 满二叉树下的指数阶空间复杂度 </p>
<p align="center"> Fig. 满二叉树下的指数阶空间复杂度 </p>
### 对数阶 $O(\log n)$

16
docs/chapter_computational_complexity/time_complexity.md
View File

@@ -92,7 +92,7 @@ $$
![time_complexity_first_example](time_complexity.assets/time_complexity_first_example.png)
<p style="text-align:center"> Fig. 算法 A, B, C 的时间增长趋势 </p>
<p align="center"> Fig. 算法 A, B, C 的时间增长趋势 </p>
相比直接统计算法运行时间，时间复杂度分析的做法有什么好处呢？以及有什么不足？
@@ -153,7 +153,7 @@ $T(n)$ 是个一次函数，说明时间增长趋势是线性的，因此易得
![asymptotic_upper_bound](time_complexity.assets/asymptotic_upper_bound.png)
<p style="text-align:center"> Fig. 函数的渐进上界 </p>
<p align="center"> Fig. 函数的渐进上界 </p>
本质上看，计算渐进上界就是在找一个函数 $f(n)$ ，**使得在 $n$ 趋向于无穷大时，$T(n)$ 和 $f(n)$ 处于相同的增长级别（仅相差一个常数项 $c$ 的倍数）**。
@@ -245,7 +245,7 @@ $$
![time_complexity_common_types](time_complexity.assets/time_complexity_common_types.png)
<p style="text-align:center"> Fig. 时间复杂度的常见类型 </p>
<p align="center"> Fig. 时间复杂度的常见类型 </p>
!!! tip
@@ -375,7 +375,7 @@ $$
![time_complexity_constant_linear_quadratic](time_complexity.assets/time_complexity_constant_linear_quadratic.png)
<p style="text-align:center"> Fig. 常数阶、线性阶、平方阶的时间复杂度 </p>
<p align="center"> Fig. 常数阶、线性阶、平方阶的时间复杂度 </p>
以「冒泡排序」为例，外层循环 $n - 1$ 次，内层循环 $n-1, n-2, \cdots, 2, 1$ 次，平均为 $\frac{n}{2}$ 次，因此时间复杂度为 $O(n^2)$ 。
@@ -454,7 +454,7 @@ $$
![time_complexity_exponential](time_complexity.assets/time_complexity_exponential.png)
<p style="text-align:center"> Fig. 指数阶的时间复杂度 </p>
<p align="center"> Fig. 指数阶的时间复杂度 </p>
在实际算法中，指数阶常出现于递归函数。例如以下代码，不断地一分为二，分裂 $n$ 次后停止。
@@ -516,7 +516,7 @@ $$
![time_complexity_logarithmic](time_complexity.assets/time_complexity_logarithmic.png)
<p style="text-align:center"> Fig. 对数阶的时间复杂度 </p>
<p align="center"> Fig. 对数阶的时间复杂度 </p>
与指数阶类似，对数阶也常出现于递归函数。以下代码形成了一个高度为 $\log_2 n$ 的递归树。
@@ -577,7 +577,7 @@ $$
![time_complexity_logarithmic_linear](time_complexity.assets/time_complexity_logarithmic_linear.png)
<p style="text-align:center"> Fig. 线性对数阶的时间复杂度 </p>
<p align="center"> Fig. 线性对数阶的时间复杂度 </p>
### 阶乘阶 $O(n!)$
@@ -618,7 +618,7 @@ $$
![time_complexity_factorial](time_complexity.assets/time_complexity_factorial.png)
<p style="text-align:center"> Fig. 阶乘阶的时间复杂度 </p>
<p align="center"> Fig. 阶乘阶的时间复杂度 </p>
## 最差、最佳、平均时间复杂度