最近发现了个好东西，就是一个学算法的好东西，是网易公开课的一个视频。 直通车 这是麻省理工学院的公开课，有中英字幕，感谢网易。。 也可以在App把视频缓存下来之后再放到电脑上面看，因为我这样可以倍速，毕竟每集几乎一个多小时。 回到标题，就是突然顿悟了一样，就知道时间复杂度大概是 ...

我先通过一道简单的面试题，来带大家逐步分析递归算法的时间复杂度，最后找出最优解。 来看一下这道面试题：求x的n次方 大家想一下这么简单的一道题目 代码应该如何写。 最直观的方式应该就是，一个for循环求出结果，代码如下 时间复杂度为O(n) 此时面试官会说，有没有效率更好 ...

二分查找时间复杂度 partition时间复杂度 O(n) = O(n) + O(n/2) + O(n/4)+.... 然后用等比求和公式得出是O(2n)，即O(n) ...

时间复杂度 时间复杂度是用来估计算法运行时间的一个式子（单位）。 一般来说，时间复杂度高的算法比复杂度低的算法慢。 常见的时间复杂度（按效率排序） O(1) < O(log n) < O(n) < O(n log n) < O(n ...

　　二分查找是一个非常常用且简洁的查找算法，相信很多人也知道它的时间复杂度是logN，但是我看网上的大多数博客给出的所谓推导过程都十分不严谨，于是我花了些时间自己写了推导过程。 首先上二分查找的代码： 下面是推导过程： 假设数据的规模为N(即每次调用时的high-low)，程序 ...

因为二分查找每次排除掉一半的不适合值，所以对于n个元素的情况：一次二分剩下：n/2两次二分剩下：n/2/2 = n/4。。。m次二分剩下：n/(2^m)在最坏情况下是在排除到只剩下最后一个值之后得到结果，所以为 n/(2^m)=1;2^m=n;所以时间复杂度为：log2(n) ...

线性查找并不总是O(N)的。当要找的元素在数组末尾，那确实是O(N)。但如果它在数组开头，1 步就能找到的话，那么技术上来说应该是O(1)。所以概括来说，线性查找的最好情况是O(1)，最坏情况是O(N)。虽然大O可以用来表示给定算法的最好和最坏的情景，但若无特别说明，大O 记法一般都是指最坏情况 ...

（一）主定理 对于$$T(N)=a*T(N/b)+\Theta(N^d)$$ 且\(T(1)\)为常数，有 1.$\log_b a>d ⇒ \(复杂度为 \)\Theta(N^{\log_b a})$ 2.$\log_b a=d ⇒ \(复杂度为 \)\Theta(N^d* \log ...