最近發現了個好東西，就是一個學算法的好東西，是網易公開課的一個視頻。 直通車 這是麻省理工學院的公開課，有中英字幕，感謝網易。。 也可以在App把視頻緩存下來之后再放到電腦上面看，因為我這樣可以倍速，畢竟每集幾乎一個多小時。 回到標題，就是突然頓悟了一樣，就知道時間復雜度大概是 ...

我先通過一道簡單的面試題，來帶大家逐步分析遞歸算法的時間復雜度，最后找出最優解。 來看一下這道面試題：求x的n次方 大家想一下這么簡單的一道題目 代碼應該如何寫。 最直觀的方式應該就是，一個for循環求出結果，代碼如下 時間復雜度為O(n) 此時面試官會說，有沒有效率更好 ...

二分查找時間復雜度 partition時間復雜度 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) ...

時間復雜度 時間復雜度是用來估計算法運行時間的一個式子（單位）。 一般來說，時間復雜度高的算法比復雜度低的算法慢。 常見的時間復雜度（按效率排序） O(1) < O(log n) < O(n) < O(n log n) < O(n ...

　　二分查找是一個非常常用且簡潔的查找算法，相信很多人也知道它的時間復雜度是logN，但是我看網上的大多數博客給出的所謂推導過程都十分不嚴謹，於是我花了些時間自己寫了推導過程。 首先上二分查找的代碼： 下面是推導過程： 假設數據的規模為N(即每次調用時的high-low)，程序 ...

因為二分查找每次排除掉一半的不適合值，所以對於n個元素的情況：一次二分剩下：n/2兩次二分剩下：n/2/2 = n/4。。。m次二分剩下：n/(2^m)在最壞情況下是在排除到只剩下最后一個值之后得到結果，所以為 n/(2^m)=1;2^m=n;所以時間復雜度為：log2(n) ...

線性查找並不總是O(N)的。當要找的元素在數組末尾，那確實是O(N)。但如果它在數組開頭，1 步就能找到的話，那么技術上來說應該是O(1)。所以概括來說，線性查找的最好情況是O(1)，最壞情況是O(N)。雖然大O可以用來表示給定算法的最好和最壞的情景，但若無特別說明，大O 記法一般都是指最壞情況 ...

（一）主定理 對於$$T(N)=a*T(N/b)+\Theta(N^d)$$ 且\(T(1)\)為常數，有 1.$\log_b a>d ⇒ \(復雜度為 \)\Theta(N^{\log_b a})$ 2.$\log_b a=d ⇒ \(復雜度為 \)\Theta(N^d* \log ...