資料規模

時間複雜度

並不是所有的雙層迴圈都是O（n^2）的

複雜度實驗來確定複雜度

 // O(N) 兩倍增加
    int findMax( int arr[], int n ){

        assert( n > 0 );

        int res = arr[0];
        for( int i = 1 ; i < n ; i ++ )
            if( arr[i] > res )
                res = arr[i];

        return res;
    }

隨後，O（n^2），資料規模乘二，時間複雜度乘4……
隨著資料的增加，可以看到O（logN）

遞迴演算法時間複雜度分析

不是有遞迴的函式就一定是O（nlogn）
深入：主定理

均攤複雜度（Amortized Time）

均攤分析和平均情況時間複雜度，前者是一個序列的操作取平均值，後者是針對不同輸入來計算平均值
動態陣列（Vector）每一個操作增加一個元素，刪除一個元素相應的複雜度，就需要Amortized Time
動態棧，動態佇列類似（陣列）

複雜度震盪

當我們進行resize操作時，也就是在有值的陣列還剩一半的時候，我們需要減去剩下的一半空陣列；但是當我們再要新增一個元素時，我們也要增加一半的陣列的容量，這步操作時間複雜度是O（n）,如果我們者這個臨界點不停的新增元素，刪除元素的話，此時也就無法進行均攤，時間複雜度為0（n）

所以，我們為了避免複雜度震盪，可以嘗試這種策略：當元素個數為陣列容量的四分之一時，resize,這樣可以為再新增的元素留出餘地，這時，平均來看，我們的時間複雜度還是O（1）的