build

chapter_computational_complexity/performance_evaluation.md

@@ -2,7 +2,7 @@
 comments: true
 ---
 
-# 2.1.   算法效率评估
+# 2.1   算法效率评估
 
 在算法设计中，我们先后追求以下两个层面的目标：
 
@@ -18,7 +18,7 @@ comments: true
 
 效率评估方法主要分为两种：实际测试和理论估算。
 
-## 2.1.1.   实际测试
+## 2.1.1   实际测试
 
 假设我们现在有算法 `A` 和算法 `B` ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真实情况，但也存在较大局限性。
 
@@ -26,7 +26,7 @@ comments: true
 
 **展开完整测试非常耗费资源**。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入数据量较小时，算法 `A` 的运行时间比算法 `B` 更少；而输入数据量较大时，测试结果可能恰恰相反。因此，为了得到有说服力的结论，我们需要测试各种规模的输入数据，而这样需要耗费大量的计算资源。
 
-## 2.1.2.   理论估算
+## 2.1.2   理论估算
 
 由于实际测试具有较大的局限性，我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称为「渐近复杂度分析 Asymptotic Complexity Analysis」，简称为「复杂度分析」。
 
@@ -40,7 +40,7 @@ comments: true
 
 如果你对复杂度分析的概念仍感到困惑，无需担心，我们会在后续章节详细介绍。
 
-## 2.1.3.   复杂度的重要性
+## 2.1.3   复杂度的重要性
 
 复杂度分析为我们提供了一把评估算法效率的“标尺”，帮助我们衡量了执行某个算法所需的时间和空间资源，并使我们能够对比不同算法之间的效率。