deploy

chapter_computational_complexity/performance_evaluation/index.html

@@ -1629,8 +1629,14 @@
 <p><strong>展开完整测试非常耗费资源</strong>。随着输入数据量的大小变化，算法会呈现出不同的效率表现。比如，有可能输入数据量较小时，算法 A 运行时间短于算法 B ，而在输入数据量较大时，测试结果截然相反。因此，若想要达到具有说服力的对比结果，那么需要输入各种体量数据，这样的测试需要占用大量计算资源。</p>
 <h3 id="_2">理论估算<a class="headerlink" href="#_2" title="Permanent link">&para;</a></h3>
 <p>既然实际测试具有很大的局限性，那么我们是否可以仅通过一些计算，就获知算法的效率水平呢？答案是肯定的，我们将此估算方法称为「复杂度分析 Complexity Analysis」或「渐近复杂度分析 Asymptotic Complexity Analysis」。</p>
-<p><strong>复杂度分析评估随着输入数据量的增长，算法的运行时间和占用空间的增长趋势</strong>。根据时间和空间两方面，复杂度可分为「时间复杂度 Time Complexity」和「空间复杂度 Space Complexity」。</p>
+<p><strong>复杂度分析评估的是算法运行效率随着输入数据量增多时的增长趋势</strong>。这句话有些拗口，我们可以将其分为三个重点来理解：</p>
+<ul>
+<li>“算法运行效率”可分为“运行时间”和“占用空间”，进而可将复杂度分为「时间复杂度 Time Complexity」和「空间复杂度 Space Complexity」。</li>
+<li>“随着输入数据量增多时”代表复杂度与输入数据量有关，反映算法运行效率与输入数据量之间的关系；</li>
+<li>“增长趋势”表示复杂度分析不关心算法具体使用了多少时间或占用了多少空间，而是给出一种“趋势性分析”；</li>
+</ul>
 <p><strong>复杂度分析克服了实际测试方法的弊端</strong>。一是独立于测试环境，分析结果适用于所有运行平台。二是可以体现不同数据量下的算法效率，尤其是可以反映大数据量下的算法性能。</p>
+<p>如果感觉对复杂度分析的概念一知半解，无需担心，后续章节会展开介绍。</p>
 <h2 id="213">2.1.3. 复杂度分析重要性<a class="headerlink" href="#213" title="Permanent link">&para;</a></h2>
 <p>复杂度分析给出一把评价算法效率的“标尺”，告诉我们执行某个算法需要多少时间和空间资源，也让我们可以开展不同算法之间的效率对比。</p>
 <p>计算复杂度是个数学概念，对于初学者可能比较抽象，学习难度相对较高。从这个角度出发，其并不适合作为第一章内容。但是，当我们讨论某个数据结构或者算法的特点时，难以避免需要分析它的运行速度和空间使用情况。<strong>因此，在展开学习数据结构与算法之前，建议读者先对计算复杂度建立起初步的了解，并且能够完成简单案例的复杂度分析</strong>。</p>