資料結構與演算法學習筆記 4 （2018.10.08）
漸進分析：大o記號
- 回到原先的問題：隨著問題規模的增長，計算成本如何增長？
注意：這裡更關心足夠大的問題，注重考察成本的增長趨勢
- 漸進分析：在問題的規模足夠大後，計算成本如何成長？
Asymptomatic analysis ：當n>>2後，對於規模為n輸入，演算法
需執行的基本操作次數：T（n）=？
需佔用的儲存單元數：S（n）=？ //通常可不考慮，為什麼？
橫軸（n）表示問題的規模，縱軸（f（n））表示相應的計算成本。
不需要關注區域性的，暫時的一些趨勢，而是看長遠的，主要的變化趨勢，個人理解為大的方向。
漸進分析：大o記號
漸進分析：其它記號
用的最多的是大 o 記號。
o（1）
- 常數（constant function）
2 = 2013 = 2013×2013 = o（1），甚至
= o（1） //含RAM各基本操作
- 這類演算法的效率最高 //不能奢望不勞而獲
- 什麼樣的程式碼段對應於常數執行時間？ //應具體分析
一定不含迴圈？不一定。
for (i=0; i<n; i+=n/2013 + 1);
for(i=1; i<n; i=i <<i); //long‘n，幾乎常數
一定不含分支轉向？不一定。
if（（n+m)*(n+m)<4*n*m) goto UNR EACHABLE; //不考慮溢位
一定不能有（遞迴）呼叫？不一定。
if (2== （n*n) % 5) o1(n);
