Laufzeitanalyse und Big-O Notation: Ein visueller Leitfaden in 8 Minuten

Mit der Laufzeitanalyse und der Big-O-Notation können wir die Performance von Algorithmen bewerten und vergleichen. Das ist wichtig, um die Vor- und die Nachteile von Algorithmen und Datenstrukturen zu verstehen. 00:00 Zweck der Laufzeitanalyse 01:04 Big-O gibt die Anzahl der Schritte eines Algorithmus im Worst-Case an 02:02 1. Laufzeitanalyse: O(n) bzw. lineares Wachstum 02:57 2. Laufzeitanalyse: O(log n) bzw. logarithmisches Wachstum 03:40 Typische Klassifizierungen sind O(1), O(log n), O(n), O(n²), O(2ⁿ) und O(n!) 04:05 O(1): Das konstante Wachstum ist unabhängig von der Inputgröße 04:17 O(log n): Das logarithmische Wachstum minimiert mit jedem Schritt die Inputgröße 04:50 O(n): Das lineare Wachstum benötigt so viele Schritte, wie der Input groß ist 04:52 O(n²): Das quadratische Wachstum benötigt so viele Schritte, wie die Größe des Inputs zum Quadrat 05:19 Zur Bestimmung der Zeitkomplexität müssen zwei Regeln beachtet werden 05:36 Erklärung für die 1. Regel: Was sind Konstanten und Koeffizienten? 06:00 1. Regel: Keine Konstanten und Koeffizienten 06:22 2. Regel: Die langsamste Klassifizierung dominiert 07:01 Beispiel, wie du die Laufzeit deines Codes analysierst Viel Spaß beim Programmieren ✌️