共 3 篇相关文章
这篇讲的是JavaScript中一个常被忽视的性能优化点：for循环。作者从最基本的循环结构出发，指出许多开发者习惯的写法其实暗藏性能损耗。 文章系统地拆解了循环的四个部分，并给出了对应的优化思路。比如，在初始化阶段缓存数组长度，避免每次迭代都重新查询 `length` 属性；在逻辑代码中，将频繁访问的数组元素赋给临时变量，减少对象属性查询次数。文章还对比了正序与倒序循环，分析了它们在变量数量和指令开销上的差异。 这些优化看似微小，但在处理大规模数据或高频循环的场景下，累积效果显著。作者用清晰的代码对比和流程分析，让这些底层的优化技巧变得易于理解和实践。
在分析算法时，我们常看到 O(log₂n) 或 O(n log₂n) 这样的复杂度表达，但很少有人深究：为什么对数的底总是 2？为什么不出现以 3 为底的情况？这篇文章从这个看似理所当然的细节出发，揭示了算法复杂度表示中一个容易被忽略的知识点。 作者以大家熟悉的归并排序为例，引出了“三分式归并排序”这个变体——即每次将数组三等分而非二等分进行递归。通过分析它的实际时间复杂度，文章直观地展示了一个关键事实：不同底数的对数之间只相差一个常数因子。在渐进复杂度的大 O 表示法中，这个常数会被忽略，因此 O(log₂n) 与 O(log₃n) 本质上是等价的。 既然如此，为何惯例上总是书写底数 2？文章指出，这主要源于直觉和历史习惯。因为二分法（每次问题规模减半）是计算机科学中最常见、最基础的分解方式，它直接对应了二叉树的结构和许多经典算法（如二分搜索）的核心思想。使用底数 2 能让人立刻联想到“将问题规模反复减半”的过程，这使得算法的逻辑与复杂度表达在直觉上形成了统一。 因此，底数的选择并非数学上的严格要求，而是一种服务于理解与沟通的工程约定。这篇文章的价值在于，它帮读者厘清了这一约定背后的原理，让我们在写下 O(log n) 时，能更清晰地理解其背后的计算图景。
这篇讲的是经典的插入排序算法。作者从最核心的思想切入：当我们遍历序列时，前面的N-1个元素可以假定已经排序完成。此时的任务，就是为当前第N个元素在前面已排好的部分中找到一个合适位置插入，使之仍然保持有序。这个过程重复进行，直到遍历完整个序列。 算法的执行效率可以很直观地计算出来。处理第1个元素无需比较，处理第2个最多比较1次，第3个最多2次……依此类推，总的比较次数上限是1 + 2 + 3 + … + (N-1)，因此其时间复杂度为O(N²)。这是一个非常直接且易于理解的复杂度分析。 尽管复杂度较高，插入排序在特定场景下依然非常实用。例如，当数据量很小，或者数据本身已经基本有序时，它的表现会接近线性时间，非常高效。此外，它是一种稳定的排序算法，且在原数组上操作，空间复杂度为常数。这些特性让它在处理小型或近乎有序的数据集时，成为一个简单、可靠的选择。
