数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 2.1.2 理论估算 由于实际测试具有较大的局限性，因此我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称 为渐近复杂度分析（asymptotic expRecur(n - 1) + expRecur(n - 1) + 1; } 第 2 章 复杂度分析 hello‑algo.com 37 指数阶增长非常迅速，在穷举法（暴力搜索、回溯等）中比较常见。对于数据规模较大的问题，指数阶是不 可接受的，通常需要使用动态规划或贪心算法等来解决。 5. 对数阶 ?(log ?) 与指数阶相反，对数阶反映了“每轮缩减到一半”的情况。设输入数据大小为 ? ，由于每轮缩减到一半，因 试环境的影响，且会耗费大量计算资源。 第 2 章 复杂度分析 hello‑algo.com 49 ‧ 复杂度分析可以消除实际测试的弊端，分析结果适用于所有运行平台，并且能够揭示算法在不同数据 规模下的效率。 时间复杂度 ‧ 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。

数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 2.1.2 理论估算 由于实际测试具有较大的局限性，因此我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称 为「渐近复杂度分析 asymptotic expRecur(n - 1) + expRecur(n - 1) + 1; } 第 2 章 复杂度分析 hello‑algo.com 37 指数阶增长非常迅速，在穷举法（暴力搜索、回溯等）中比较常见。对于数据规模较大的问题，指数阶是不 可接受的，通常需要使用动态规划或贪心算法等来解决。 5. 对数阶 ?(log ?) 与指数阶相反，对数阶反映了“每轮缩减到一半”的情况。设输入数据大小为 ? ，由于每轮缩减到一半，因 试环境的影响，且会耗费大量计算资源。 第 2 章 复杂度分析 hello‑algo.com 49 ‧ 复杂度分析可以消除实际测试的弊端，分析结果适用于所有运行平台，并且能够揭示算法在不同数据 规模下的效率。 时间复杂度 ‧ 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。

展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，输入数据量较小时， 算法 A 的运行时间可能短于算法 B；而输入数据量较大时，测试结果可能相反。因此，为了得到有说服力的 结论，我们需要测试各种规模的输入数据，这样需要占用大量的计算资源。 理论估算 由于实际测试具有较大的局限性，我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称为 「复杂度分析 Complexity Analysis」或「渐近复杂度分析 维度。 ‧ 我们可以通过实际测试来评估算法效率，但难以消除测试环境的影响，且会耗费大量计算资源。 ‧ 复杂度分析可以克服实际测试的弊端，分析结果适用于所有运行平台，并且能够揭示算法在不同数据 规模下的效率。 时间复杂度 ‧ 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 解）。 Figure 12‑1. 归并排序的分治策略 12.1.1. 如何判断分治问题 一个问题是否适合使用分治解决，通常可以参考以下几个判断依据： 1. 问题可以被分解：原问题可以被分解成规模更小、类似的子问题，以及能够以相同方式递归地进行划分。 2. 子问题是独立的：子问题之间是没有重叠的，互相没有依赖，可以被独立解决。 3. 子问题的解可以被合并：原问题的解通过合并子问题的解得来。

数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 更少；而输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 2.1.2 理论估算 由于实际测试具有较大的局限性，我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称为 「渐近复杂度分析 asymptotic 1) return 1; return expRecur(n - 1) + expRecur(n - 1) + 1; } 指数阶增长非常迅速，在穷举法（暴力搜索、回溯等）中比较常见。对于数据规模较大的问题，指数阶是不 可接受的，通常需要使用动态规划或贪心等算法来解决。 5. 对数阶 ?(log ?) 与指数阶相反，对数阶反映了“每轮缩减到一半”的情况。设输入数据大小为 ? ，由于每轮缩减到一半，因 试环境的影响，且会耗费大量计算资源。 第 2 章 复杂度分析 hello‑algo.com 47 ‧ 复杂度分析可以克服实际测试的弊端，分析结果适用于所有运行平台，并且能够揭示算法在不同数据 规模下的效率。 时间复杂度 ‧ 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。

数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 2.1.2 理论估算 由于实际测试具有较大的局限性，因此我们可以考虑仅通过一些计算来评估算法的效率。这种估算方法被称 为渐近复杂度分析（asymptotic hello‑algo.com 37 return expRecur(n - 1) + expRecur(n - 1) + 1; } 指数阶增长非常迅速，在穷举法（暴力搜索、回溯等）中比较常见。对于数据规模较大的问题，指数阶是不 可接受的，通常需要使用动态规划或贪心算法等来解决。 5. 对数阶 ?(log ?) 与指数阶相反，对数阶反映了“每轮缩减到一半”的情况。设输入数据大小为 ? ，由于每轮缩减到一半，因 影响，且会耗费大量计算资源。 第 2 章 复杂度分析 www.hello‑algo.com 49 ‧ 复杂度分析可以消除实际测试的弊端，分析结果适用于所有运行平台，并且能够揭示算法在不同数据 规模下的效率。 时间复杂度 ‧ 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。

领域，直接以application framework 开发Windows 程序，我一直抱持怀疑的态度。虽然有了MFC（或任何其它的application framework）， 你可以继承一整组类别，从而快速得到一个颇具规模的程序，但是Windows 程序的运作 本质（Message Based，Event Driven）从来不曾也不会改变。如果你不能了解其髓，空有 其皮其肉或其骨，是不可能有所精进的，即使能够操控 Framework 带来的革命精神是，程序模型已经存在，程序员只要依个人需求 加料就好：在衍生类别中改写虚拟函数，或在衍生类别中加上新的成员函数。这很像你 在火锅拼盘中依个人口味加盐添醋。 由于程序代码的初期规模十分一致（什么样风格的程序应该使用什么类别，是一成不变 的），而修改程序以符合私人需要的基本动作也很一致（我是指像「开辟一个空的骨干 函数」这种事情)，你动不了Application Framework Application Framework， Class Library， GUI toolkit 一般而言，Class Library 和GUI toolkit 比Application Framework 的规模小，定位也 没那么高阶宏观。Class Library 可以定义为「一组具备对象导向性质的类别，它们使 应用程序的某些功能实现起来容易一些，这些功能包括数值运算与数据结构、绘图、 内存管理等等

增量分析减少不适 • 软件工程师一天被邀请进行多次 代码评审，这些都不是他们自身 的KPI • 一旦工期紧996，人工评审容易 变成走形式 • 任务挂着还容易造成工程师焦虑 降低工程师劳动强度 大规模C/C++静态代码评审系统搭建 数千个活跃开发 的代码仓库 每天上千次代码 评审请求 平均每次代码评 审小于50分钟 • 需要编译C/C++代码 • 使用了定理证明器求解可 行路径（精确，耗时） 行路径（精确，耗时） • 能跨函数分析 • 能处理指针 使用有深度的代码分析器 做到快速和准确 用尽量少机器完成一天几千次分析 每次分析10分钟要能结束 控制误报并建立反馈和改进机制 挑战：超大规模代码仓库 项目平均40分钟单机编译时间 项目平均编译代码量超百万行 编译的价值 C/C++代码逻辑受编 译参数深度控制 源代码索引和统计 提升开源静态分析工 具分析质量 提高分析质量

Qt5Config.cmake 文件包含所有相关信息（类似于 nodejs 的 package.json ），比你单独的一个个去找动态库文件要灵活的多。 • 包配置文件由第三方库的作者（ Qt 的开发团队）提供，在这个库安装时（ Qt 的安装程序 或 apt install 等）会自动放到 /usr/lib/cmake/XXX/XXXConfig.cmake 这个路径（其中 XXX 是包名），供 CMake 呢？就冲突了。所以“单次有效”虽然劳驾您的高抬贵手每次命令行打一下 - DQt5_DIR=”D:/Qt5” ，但人家也打一下 -DQt5_DIR=”E:/Qt5” ，就没有冲突，各美其美，美美与 共，赋能多元化社会，下沉团队合作发力面。 • 实际上只要你不删 build ，不需要每次都 -DQt5_DIR 一下， CMake 具有“记忆”功能。 • cmake -B build -DQt5_DIR=D:/Qt5

7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 流体求解 12.C++ 在 ZENO 中的工程实践：从 primitive 说起 13.结业典礼：总结所学知识与优秀作业点评

7.被忽视的访存优化：内存带宽与 cpu 缓存机制 8.GPU 专题： wrap 调度，共享内存， barrier 9.并行算法实战： reduce ， scan ，矩阵乘法等 10.存储大规模三维数据的关键：稀疏数据结构 11.物理仿真实战：邻居搜索表实现 pbf 流体求解 12.C++ 在 ZENO 中的工程实践：从 primitive 说起 13.结业典礼：总结所学知识与优秀作业点评