1
00:00:07,720 --> 00:00:10,950
[Powered by Google Translate] شما احتمالا شنیده مردم صحبت در مورد یک الگوریتم سریع و کارآمد

2
00:00:10,950 --> 00:00:13,090
برای اجرای وظیفه خاص خود را،

3
00:00:13,090 --> 00:00:16,110
اما آنچه که دقیقا می کند آن را برای یک الگوریتم سریع و کارآمد چیست؟

4
00:00:16,110 --> 00:00:18,580
خوب، آن را در مورد اندازه گیری را در زمان واقعی صحبت نمی کنم،

5
00:00:18,580 --> 00:00:20,500
مثل ثانیه یا دقیقه.

6
00:00:20,500 --> 00:00:22,220
دلیل این است که سخت افزار کامپیوتر

7
00:00:22,220 --> 00:00:24,260
و نرم افزار به شدت متفاوت است.

8
00:00:24,260 --> 00:00:26,020
برنامه ممکن است اجرای آهسته تر از مال شما،

9
00:00:26,020 --> 00:00:28,000
چون من آن را در حال اجرا بر روی یک کامپیوتر قدیمی تر

10
00:00:28,000 --> 00:00:30,110
و یا به خاطر اینکه من اتفاق می افتد به بازی بازی های ویدئویی آنلاین

11
00:00:30,110 --> 00:00:32,670
در همان زمان، که خمیدگی تمام حافظه من،

12
00:00:32,670 --> 00:00:35,400
و یا ممکن است در حال اجرا برنامه از طریق نرم افزار های مختلف

13
00:00:35,400 --> 00:00:37,550
که ارتباط با دستگاه در سطح پایین متفاوت است.

14
00:00:37,550 --> 00:00:39,650
این مثل مقایسه سیب و پرتقال است.

15
00:00:39,650 --> 00:00:41,940
فقط به خاطر کندتر کامپیوتر من طول می کشد

16
00:00:41,940 --> 00:00:43,410
از مال شما را به جواب

17
00:00:43,410 --> 00:00:45,510
به این معنا نیست که شما باید الگوریتم کارآمد تر.

18
00:00:45,510 --> 00:00:48,830
>> بنابراین، از آنجایی که ما به طور مستقیم نمی تواند مقایسه زمان های اجرا از برنامه ها

19
00:00:48,830 --> 00:00:50,140
در عرض چند ثانیه یا چند دقیقه،

20
00:00:50,140 --> 00:00:52,310
چگونه 2 الگوریتم های مختلف را با هم مقایسه کرد

21
00:00:52,310 --> 00:00:55,030
صرف نظر از سخت افزار خود و یا محیط نرم افزاری؟

22
00:00:55,030 --> 00:00:58,000
برای ایجاد یک راه یکنواخت تر از اندازه گیری بهره وری الگوریتم،

23
00:00:58,000 --> 00:01:00,360
دانشمندان کامپیوتر و ریاضی ابداع کرده اند

24
00:01:00,360 --> 00:01:03,830
مفاهیم برای اندازه گیری پیچیدگی یک الگوریتم

25
00:01:03,830 --> 00:01:06,110
و نماد به نام 'بزرگ Ohnotation'

26
00:01:06,110 --> 00:01:08,320
برای توصیف این.

27
00:01:08,320 --> 00:01:10,820
تعریف رسمی این است که یک تابع f (x)

28
00:01:10,820 --> 00:01:13,390
قابل اجرا بر روی منظور از G (X)

29
00:01:13,390 --> 00:01:15,140
اگر وجود دارد برخی از ارزش (x) وجود دارد، X ₀ و

30
00:01:15,140 --> 00:01:17,630
برخی از ثابت، C، که

31
00:01:17,630 --> 00:01:19,340
F (x) کمتر از یا مساوی با

32
00:01:19,340 --> 00:01:21,230
که بار ثابت G (x)

33
00:01:21,230 --> 00:01:23,190
برای تمام x های بزرگتر از X ₀.

34
00:01:23,190 --> 00:01:25,290
>> اما نمی شود تعریف رسمی دور می ترسم.

35
00:01:25,290 --> 00:01:28,020
چه این در واقع در کمتر قوانین و مقررات نظری چیست؟

36
00:01:28,020 --> 00:01:30,580
خوب، آن را اساسا یک روش تجزیه و تحلیل

37
00:01:30,580 --> 00:01:33,580
با چه سرعتی در زمان اجرا یک برنامه مجانبی رشد می کند.

38
00:01:33,580 --> 00:01:37,170
این است که، به عنوان اندازه از ورودی های خود را به سمت بی نهایت افزایش می یابد،

39
00:01:37,170 --> 00:01:41,390
می گویند، شما در حال مرتب سازی یک آرایه از اندازه 1000 در مقایسه به آرایه ای از اندازه 10.

40
00:01:41,390 --> 00:01:44,950
زمان اجرای برنامه خود را چگونه رشد می کنند؟

41
00:01:44,950 --> 00:01:47,390
به عنوان مثال، تصور کنید که شمارش تعدادی از شخصیت های

42
00:01:47,390 --> 00:01:49,350
در یک رشته ساده ترین راه

43
00:01:49,350 --> 00:01:51,620
 با راه رفتن را از طریق تمام رشته

44
00:01:51,620 --> 00:01:54,790
نامه های نامه و اضافه کردن 1 به یک شمارنده برای هر یک از شخصیت.

45
00:01:55,700 --> 00:01:58,420
گفته شده است که این الگوریتم را در زمان خطی اجرا

46
00:01:58,420 --> 00:02:00,460
با توجه به تعدادی از شخصیت های،

47
00:02:00,460 --> 00:02:02,670
'N' در رشته.

48
00:02:02,670 --> 00:02:04,910
به طور خلاصه، آن را در O (N) را اجرا می کند.

49
00:02:05,570 --> 00:02:07,290
چرا این است که است؟

50
00:02:07,290 --> 00:02:09,539
خوب، با استفاده از این روش، زمان مورد نیاز

51
00:02:09,539 --> 00:02:11,300
برای گذشتن از تمام رشته

52
00:02:11,300 --> 00:02:13,920
متناسب با تعداد حروف است.

53
00:02:13,920 --> 00:02:16,480
شمارش تعداد کاراکتر در یک رشته 20 کاراکتری

54
00:02:16,480 --> 00:02:18,580
رفتن را به دو برابر زمانی که آن را طول می کشد

55
00:02:18,580 --> 00:02:20,330
به تعداد کاراکتر در یک رشته 10 کاراکتری،

56
00:02:20,330 --> 00:02:23,000
دلیل این که شما را در تمام شخصیت های

57
00:02:23,000 --> 00:02:25,740
و هر یک از شخصیت طول می کشد همان مقدار از وقت را به نگاه در.

58
00:02:25,740 --> 00:02:28,050
همانطور که تعدادی از کاراکتر ها افزایش می یابد،

59
00:02:28,050 --> 00:02:30,950
در زمان اجرا به صورت خطی با افزایش طول ورودی.

60
00:02:30,950 --> 00:02:33,500
>> در حال حاضر، تصور کنید اگر شما تصمیم می گیرید که زمان خطی،

61
00:02:33,500 --> 00:02:36,390
O (N)، فقط به اندازه کافی سریع برای شما نیست؟

62
00:02:36,390 --> 00:02:38,750
شاید شما ذخیره سازی رشته های بزرگ،

63
00:02:38,750 --> 00:02:40,450
و شما می توانید زمان بیشتری آن را انجام دهید را ندارند

64
00:02:40,450 --> 00:02:44,000
برای گذشتن از همه از شخصیت های خود را شمارش یک و یک.

65
00:02:44,000 --> 00:02:46,650
بنابراین، شما تصمیم می گیرید سعی کنید چیزی متفاوت است.

66
00:02:46,650 --> 00:02:49,270
چه می شود اگر شما اتفاق می افتد را به تعدادی از شخصیت های در حال حاضر ذخیره

67
00:02:49,270 --> 00:02:52,690
در رشته، می گویند، در یک متغیر به نام «لن،

68
00:02:52,690 --> 00:02:54,210
در اوایل برنامه،

69
00:02:54,210 --> 00:02:57,800
قبل از اینکه شما حتی شخصیت بسیار برای اولین بار در رشته خود را ذخیره می شود؟

70
00:02:57,800 --> 00:02:59,980
سپس، همه شما می خواهم که برای انجام این کار در حال حاضر برای پیدا کردن طول رشته در

71
00:02:59,980 --> 00:03:02,570
است بررسی کنید چه مقدار متغیر است.

72
00:03:02,570 --> 00:03:05,530
شما نمی خواهد که به رشته خود را در تمام نگاه،

73
00:03:05,530 --> 00:03:08,160
و دسترسی به مقدار یک متغیر مانند لن در نظر گرفته شده است

74
00:03:08,160 --> 00:03:11,100
زمان عمل مجانبی ثابت،

75
00:03:11,100 --> 00:03:13,070
O (1) است.

76
00:03:13,070 --> 00:03:17,110
چرا این است که است؟ خب، به یاد داشته باشید آنچه که پیچیدگی مجانبی به این معنی است.

77
00:03:17,110 --> 00:03:19,100
چگونه تغییر می کند در زمان اجرا به عنوان اندازه

78
00:03:19,100 --> 00:03:21,400
ورودی شما رشد می کند؟

79
00:03:21,400 --> 00:03:24,630
>> می گویند شما که در تلاش برای بدست آوردن تعداد کاراکتر در یک رشته بزرگتر است.

80
00:03:24,630 --> 00:03:26,960
خوب، آن را نمی خواهد مهم نیست چقدر بزرگ شما را به رشته،

81
00:03:26,960 --> 00:03:28,690
حتی یک میلیون کاراکتر،

82
00:03:28,690 --> 00:03:31,150
همه شما می خواهم که برای انجام این کار برای پیدا کردن طول رشته را با این رویکرد،

83
00:03:31,150 --> 00:03:33,790
برای خواندن مقدار متغیر لن،

84
00:03:33,790 --> 00:03:35,440
که شما در حال حاضر ساخته شده است.

85
00:03:35,440 --> 00:03:38,200
طول ورودی است، که، طول رشته شما در حال تلاش برای پیدا کردن،

86
00:03:38,200 --> 00:03:41,510
چگونه سریع برنامه خود را اجرا می کند تاثیر نمی گذارد.

87
00:03:41,510 --> 00:03:44,550
این بخشی از برنامه های خود را اجرا کنید به همان اندازه سرعت بر روی یک رشته از یک شخصیت

88
00:03:44,550 --> 00:03:46,170
و یک هزار کاراکتر رشته،

89
00:03:46,170 --> 00:03:49,140
و به همین دلیل این برنامه را می توان به عنوان در حال اجرا در زمان ثابت می گویند

90
00:03:49,140 --> 00:03:51,520
با توجه به اندازه ورودی است.

91
00:03:51,520 --> 00:03:53,920
>> البته، یک نقطه ضعف وجود دارد.

92
00:03:53,920 --> 00:03:55,710
شما صرف فضای حافظه اضافی بر روی کامپیوتر شما

93
00:03:55,710 --> 00:03:57,380
ذخیره سازی متغیر

94
00:03:57,380 --> 00:03:59,270
و زمان اضافی آن را به شما قرار می گیرد

95
00:03:59,270 --> 00:04:01,490
برای انجام ذخیره سازی واقعی متغیر،

96
00:04:01,490 --> 00:04:03,390
اما نکته هنوز هم می ایستد،

97
00:04:03,390 --> 00:04:05,060
پیدا کردن چه مدت طول رشته شما

98
00:04:05,060 --> 00:04:07,600
در طول رشته در همه بستگی ندارد.

99
00:04:07,600 --> 00:04:10,720
بنابراین، آن را در O (1) و یا زمان ثابت اجرا می شود.

100
00:04:10,720 --> 00:04:13,070
این قطعا به این معنا نیست

101
00:04:13,070 --> 00:04:15,610
که کد شما را اجرا می کند در 1 مرحله،

102
00:04:15,610 --> 00:04:17,470
اما مهم نیست که چگونه بسیاری از مراحل آن است،

103
00:04:17,470 --> 00:04:20,019
اگر آن را با اندازه ورودی را تغییر دهید،

104
00:04:20,019 --> 00:04:23,420
آن هنوز مجانبی ثابت است که ما به عنوان O (1) نشان دهنده.

105
00:04:23,420 --> 00:04:25,120
>> همانطور که شما احتمالا می توانید حدس بزنید،

106
00:04:25,120 --> 00:04:27,940
های مختلف از زمان های اجرا O بزرگ برای اندازه گیری الگوریتم با وجود دارد.

107
00:04:27,940 --> 00:04:32,980
O (n) ² الگوریتم های مجانبی کندتر از O (n) الگوریتم است.

108
00:04:32,980 --> 00:04:35,910
این است که، به عنوان تعدادی از عناصر (N) رشد می کند،

109
00:04:35,910 --> 00:04:39,280
در نهایت O (N) ² الگوریتم های زمان بیشتری را

110
00:04:39,280 --> 00:04:41,000
از الگوریتم O (n) را اجرا کنند.

111
00:04:41,000 --> 00:04:43,960
این به این معنا نیست که الگوریتم O (n) همیشه اجرای سریع تر

112
00:04:43,960 --> 00:04:46,410
از O (n) ² الگوریتم، حتی در همان محیط،

113
00:04:46,410 --> 00:04:48,080
در همان سخت افزار است.

114
00:04:48,080 --> 00:04:50,180
شاید برای اندازه ورودی کوچک،

115
00:04:50,180 --> 00:04:52,900
 O (n) ² الگوریتم در واقع ممکن است سریعتر کار می کنند،

116
00:04:52,900 --> 00:04:55,450
اما، در نهایت، به عنوان اندازه ورودی را افزایش می دهد

117
00:04:55,450 --> 00:04:58,760
به سمت بی نهایت، زمان اجرا O (N) الگوریتم ²

118
00:04:58,760 --> 00:05:02,000
در نهایت در زمان اجرا از الگوریتم O (N) را تحت الشعاع قرار.

119
00:05:02,000 --> 00:05:04,230
درست مانند هر تابع درجه دوم ریاضی

120
00:05:04,230 --> 00:05:06,510
 سرانجام سبقت گرفتن هر تابع خطی،

121
00:05:06,510 --> 00:05:09,200
هیچ مهم نیست که چه مقدار از سر شروع تابع خطی شروع می شود.

122
00:05:10,010 --> 00:05:12,000
اگر شما در حال کار با مقادیر زیادی از داده ها،

123
00:05:12,000 --> 00:05:15,510
الگوریتم که در O (N) زمان ² واقعا می تواند تا پایان کاستن از سرعت برنامه های خود را،

124
00:05:15,510 --> 00:05:17,770
اما برای اندازه ورودی کوچک،

125
00:05:17,770 --> 00:05:19,420
شما احتمالا حتی توجه نکردین.

126
00:05:19,420 --> 00:05:21,280
>> یکی دیگر از پیچیدگی مجانبی است،

127
00:05:21,280 --> 00:05:24,420
لگاریتمی زمان، O (log n است).

128
00:05:24,420 --> 00:05:26,340
نمونه ای از یک الگوریتم اجرا می شود که این سرعت

129
00:05:26,340 --> 00:05:29,060
کلاسیک الگوریتم جستجوی دودویی،

130
00:05:29,060 --> 00:05:31,850
برای پیدا کردن یک عنصر در یک لیست در حال حاضر مرتب شده از عناصر.

131
00:05:31,850 --> 00:05:33,400
>> اگر شما نمی دانید که چه دودویی جستجو می کند،

132
00:05:33,400 --> 00:05:35,170
من آن را برای شما توضیح داده واقعا به سرعت.

133
00:05:35,170 --> 00:05:37,020
بیایید می گویند شما دنبال آن هستید را برای شماره 3

134
00:05:37,020 --> 00:05:40,200
در این آرایه ای از اعداد صحیح است.

135
00:05:40,200 --> 00:05:42,140
آن را در عنصر وسط آرایه به نظر می رسد

136
00:05:42,140 --> 00:05:46,830
و می پرسد، "آیا عنصر من می خواهم بیشتر از، برابر، و یا کمتر از این است؟"

137
00:05:46,830 --> 00:05:49,150
اگر آن برابر است، پس از آن بزرگ است. شما را در بر داشت این عنصر، و شما انجام می شود.

138
00:05:49,150 --> 00:05:51,300
اگر آن را بیشتر، و سپس شما می دانید این عنصر

139
00:05:51,300 --> 00:05:53,440
در سمت راست از آرایه باشد،

140
00:05:53,440 --> 00:05:55,200
و شما فقط می توانید در آن در آینده نگاه کنید،

141
00:05:55,200 --> 00:05:57,690
و اگر آن را کوچکتر، و سپس شما می دانید آن را به در سمت چپ باشد.

142
00:05:57,690 --> 00:06:00,980
این فرایند پس از آن با آرایه های کوچکتر به اندازه تکرار

143
00:06:00,980 --> 00:06:02,870
تا زمانی که این عنصر درست می شود.

144
00:06:08,080 --> 00:06:11,670
>> این الگوریتم قدرتمند کاهش اندازه آرایه در نصف با هر عمل است.

145
00:06:11,670 --> 00:06:14,080
بنابراین، برای پیدا کردن یک عنصر در یک آرایه مرتب از اندازه 8،

146
00:06:14,080 --> 00:06:16,170
در اکثر (ورود ₂ 8)

147
00:06:16,170 --> 00:06:18,450
یا 3 از این عملیات،

148
00:06:18,450 --> 00:06:22,260
بررسی عنصر میانی، و سپس برش آرایه در نصف خواهد شد.

149
00:06:22,260 --> 00:06:25,670
در حالی که یک آرایه از اندازه 16 طول می کشد (ورود ₂ 16)

150
00:06:25,670 --> 00:06:27,480
یا 4 عملیات.

151
00:06:27,480 --> 00:06:30,570
که فقط 1 عمل بیشتر برای یک آرایه دو برابر اندازه.

152
00:06:30,570 --> 00:06:32,220
دو برابر اندازه آرایه

153
00:06:32,220 --> 00:06:35,160
زمان اجرا را افزایش می دهد توسط تنها 1 تکه از این کد.

154
00:06:35,160 --> 00:06:37,770
دوباره، چک کردن عنصر وسط لیست، پس از آن تقسیم است.

155
00:06:37,770 --> 00:06:40,440
بنابراین، این گفت: در زمان لگاریتمی عمل،

156
00:06:40,440 --> 00:06:42,440
O (ورود N).

157
00:06:42,440 --> 00:06:44,270
اما صبر کنید، به شما می گویند،

158
00:06:44,270 --> 00:06:47,510
آیا این بستگی دارد که در لیست این عنصر است که شما به دنبال آن هستید؟

159
00:06:47,510 --> 00:06:50,090
اگر اولین عنصر در نگاه اتفاق می افتد که یکی از سمت راست است؟

160
00:06:50,090 --> 00:06:52,040
سپس، آن را تنها طول می کشد 1 عملیات،

161
00:06:52,040 --> 00:06:54,310
مهم نیست چقدر بزرگ لیست می باشد.

162
00:06:54,310 --> 00:06:56,310
>> خب، به همین دلیل است که دانشمندان کامپیوتر قوانین و مقررات

163
00:06:56,310 --> 00:06:58,770
پیچیدگی مجانبی است که منعکس کننده بهترین حالت

164
00:06:58,770 --> 00:07:01,050
و بدترین حالت اجرای الگوریتم.

165
00:07:01,050 --> 00:07:03,320
به درستی، از مرزهای بالایی و پایینی

166
00:07:03,320 --> 00:07:05,090
در زمان اجرا است.

167
00:07:05,090 --> 00:07:07,660
در بهترین حالت برای جستجوی دودویی عنصر ما

168
00:07:07,660 --> 00:07:09,330
درست در وسط وجود دارد،

169
00:07:09,330 --> 00:07:11,770
و شما آن را در زمان ثابت،

170
00:07:11,770 --> 00:07:14,240
مهم نیست چقدر بزرگ بقیه از آرایه است.

171
00:07:15,360 --> 00:07:17,650
نماد مورد استفاده برای این Ω است.

172
00:07:17,650 --> 00:07:19,930
بنابراین، این الگوریتم گفته شده است به اجرا در Ω (1).

173
00:07:19,930 --> 00:07:21,990
در بهترین حالت آن را پیدا کرد، این عنصر به سرعت،

174
00:07:21,990 --> 00:07:24,200
مهم نیست چقدر بزرگ آرایه،

175
00:07:24,200 --> 00:07:26,050
اما در بدترین حالت،

176
00:07:26,050 --> 00:07:28,690
آن را به انجام (ورود N) تقسیم چک

177
00:07:28,690 --> 00:07:31,030
از آرایه به پیدا کردن عنصر سمت راست است.

178
00:07:31,030 --> 00:07:34,270
بدترین حالت بالای مرزهای بزرگ "O" است که شما در حال حاضر می دانیم نامیده می شود.

179
00:07:34,270 --> 00:07:38,080
بنابراین، آن O (log n است)، اما Ω (1) است.

180
00:07:38,080 --> 00:07:40,680
>> جستجو خطی در مقابل،

181
00:07:40,680 --> 00:07:43,220
که در آن شما را از طریق هر عنصر از آرایه به راه رفتن

182
00:07:43,220 --> 00:07:45,170
برای پیدا کردن یکی از شما می خواهم،

183
00:07:45,170 --> 00:07:47,420
در بهترین حالت Ω (1).

184
00:07:47,420 --> 00:07:49,430
باز هم، اولین عنصری است که شما می خواهید.

185
00:07:49,430 --> 00:07:51,930
بنابراین، مهم نیست که چقدر بزرگ آرایه است.

186
00:07:51,930 --> 00:07:54,840
در بدترین حالت، آن است که آخرین عنصر در آرایه.

187
00:07:54,840 --> 00:07:58,560
بنابراین، شما باید راه رفتن را از طریق تمام عناصر ازت در آرایه به آن را پیدا کنید،

188
00:07:58,560 --> 00:08:02,170
دوست دارم اگر از 3 به دنبال شد.

189
00:08:04,320 --> 00:08:06,030
بنابراین، آن را در O (n) مدت زمان اجرا می شود

190
00:08:06,030 --> 00:08:09,330
به دلیل آن متناسب با تعداد عناصر موجود در آرایه.

191
00:08:10,800 --> 00:08:12,830
>> یکی دیگر از نماد استفاده شده است Θ.

192
00:08:12,830 --> 00:08:15,820
این را می توان مورد استفاده قرار گیرد برای توصیف الگوریتم های که در آن بهترین و بدترین موارد

193
00:08:15,820 --> 00:08:17,440
یکسان هستند.

194
00:08:17,440 --> 00:08:20,390
این در مورد الگوریتم طول رشته ما صحبت در مورد قبل از آن است.

195
00:08:20,390 --> 00:08:22,780
به این معنا که اگر ما آن را در یک متغیر ذخیره قبل از

196
00:08:22,780 --> 00:08:25,160
ما این رشته و بعد از آن در زمان ثابت به آن دسترسی داشته باشید.

197
00:08:25,160 --> 00:08:27,920
مهم نیست که چه تعداد

198
00:08:27,920 --> 00:08:30,130
ما در حال ذخیره سازی در آن متغیر، ما باید به آن نگاه کنید.

199
00:08:33,110 --> 00:08:35,110
بهترین حالت این است که ما به آن نگاه کنید

200
00:08:35,110 --> 00:08:37,120
پیدا کردن طول رشته است.

201
00:08:37,120 --> 00:08:39,799
پس Ω (1) و یا در مورد بهترین زمان ثابت است.

202
00:08:39,799 --> 00:08:41,059
بدترین حالت این است،

203
00:08:41,059 --> 00:08:43,400
ما به آن نگاه کنید و پیدا کردن طول رشته.

204
00:08:43,400 --> 00:08:47,300
بنابراین، O (1) و یا ثابت زمانی در بدترین حالت است.

205
00:08:47,300 --> 00:08:49,180
بنابراین، از آنجا که بهترین حالت و بدترین موارد هستند،

206
00:08:49,180 --> 00:08:52,520
این را می توان گفت که در Θ (1) زمان اجرا شود.

207
00:08:54,550 --> 00:08:57,010
>> به طور خلاصه، ما باید راه های خوب به همین دلیل در مورد بهره وری کدهای

208
00:08:57,010 --> 00:09:00,110
بدون نیاز به دانستن هر چیزی در مورد زمان در دنیای واقعی آنها را برای اجرا،

209
00:09:00,110 --> 00:09:02,270
است که بسیاری از عوامل خارجی تحت تاثیر قرار،

210
00:09:02,270 --> 00:09:04,190
از جمله متفاوت سخت افزار، نرم افزار،

211
00:09:04,190 --> 00:09:06,040
یا ویژگی های کد شما.

212
00:09:06,040 --> 00:09:08,380
همچنین، این به ما اجازه می دهد به همین دلیل به خوبی در مورد آنچه اتفاق خواهد افتاد

213
00:09:08,380 --> 00:09:10,180
وقتی اندازه ورودی را افزایش می دهد.

214
00:09:10,180 --> 00:09:12,490
>> اگر شما در حال اجرا در O (N) ² الگوریتم،

215
00:09:12,490 --> 00:09:15,240
و یا بدتر از آن، O (2 ⁿ) الگوریتم،

216
00:09:15,240 --> 00:09:17,170
یکی از سریع ترین انواع رو به رشد،

217
00:09:17,170 --> 00:09:19,140
شما واقعا می خواهید رکود به اطلاع

218
00:09:19,140 --> 00:09:21,220
هنگامی که شما شروع به کار با مقادیر بیشتری از داده ها است.

219
00:09:21,220 --> 00:09:23,590
>> این پیچیدگی مجانبی است. با تشکر.