贵州省文化旅游网站建设的必要性,北京建设网上银行,爱营销app,wordpress修改用户头像1. 时间、空间复杂度不能和性能划等号
时间、空间复杂度不是时间执行和内存消耗的精确值。它们只是表示了随着数据量的增长#xff0c;时间、空间的增长趋势。
代码的执行时间有时不跟时间复杂度成正比。我们常说算法是O(nlogn),O(n2n^2n2)这些都是基于大数据量#xff08;…1. 时间、空间复杂度不能和性能划等号
时间、空间复杂度不是时间执行和内存消耗的精确值。它们只是表示了随着数据量的增长时间、空间的增长趋势。
代码的执行时间有时不跟时间复杂度成正比。我们常说算法是O(nlogn),O(n2n^2n2)这些都是基于大数据量例如505050在小数据量的时候可能O(n2n^2n2)比O(nlogn)更快。
对于不同问题不同算法之间不能做复杂度比较。复杂度只能表征不同算法在处理同类型数据、同样问题时候的算法 优劣。
2. 抛开数据规模谈数据结构和算法都是“耍流氓”
数据规模小算法之间的优越性体现不出来。 代码执行频率过低算法优化的效果体现不出来。 代码执行频率不高并且是非核心代码选择简单、易懂的数据结构和算法。
流入100以内的字符串比较用暴力匹配就挺好。使用KMP等更容易出问题增加维护成本。
3.结合数据特征和访问方式选择数据结构
例如Trie树在字符串有公共前缀的情况下使用能提高搜索效率。如果数据之间都没有公共前缀用Trie树就不合适了。
例如图使用邻接表存储还是邻接矩阵存储看图是稀疏矩阵吗。如果是就用邻接表不是就用邻接矩阵存储。
4. 区别对待 IO 密集、内存密集和计算密集
IO密集例如数据存储在磁盘上需要每次读取。通过减少IO的次数提高性能 。例如数据库查询是IO密集型减少数据库操作次数提高性能。
计算密集代码执行效率的瓶颈在CPU执行上。例如已经将数据加载到内存中。优化的时候要减少逻辑计算复杂度。例如用位运算代替加减法。
内存密集计算操作都比较简单代码执行效率的瓶颈在数据加载到内存。例如字符串比较。因此在选择数据结构和算法的时候需要考虑是否能减少数据的读取量数据是否在内存中连续存储是否能利用 CPU 缓存预读。
5.善用语言提供的类库避免重复造轮子
6.有目的的优化不过度优化
在有必要的时候在核心代码、在执行频率高的代码做优化。
我们要学会估算。估算能力实际上也是一个非常重要的能力。我们不仅要对普通情况下的数据规模和性能压力做估算还需要对异常以及将来一段时间内可能达到的数据规模和性能压力做估算。这样我们才能做到未雨绸缪写出来的代码才能经久可用。
当真的要优化代码的时候一定要先做 Benchmark 基准测试。这样才能避免你想当然地换了一个更高效的算法但真实情况下性能反倒下降了。
