refactor: move big from n to arch

docs/architecture/01-classic-layer-based-arch.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 2
+sidebar_position: 1
 ---
 
 # Классическая архитектура

docs/architecture/02-atomic-design.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 3
+sidebar_position: 2
 ---
 
 # Atomic design

docs/architecture/03-ddd-domain-driven-design.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 4
+sidebar_position: 3
 ---
 
 # Доменная архитектура

docs/architecture/04-fsd-feature-slice-design.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 5
+sidebar_position: 4
 ---
 
 # Feature slice design

docs/architecture/05-micro-frontend.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 6
+sidebar_position: 5
 ---
 
 # Micro frontend

docs/architecture/06-tdd.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 7
+sidebar_position: 6
 ---
 
 # Test driven development

docs/architecture/07-dev-principles.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 8
+sidebar_position: 7
 ---
 
 # Принципы разработки

docs/architecture/08-oop.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 9
+sidebar_position: 8
 ---
 
 # ООП

docs/architecture/09-solid.md

@@ -1,5 +1,5 @@
 ---
-sidebar_position: 10
+sidebar_position: 9
 ---
 
 # SOLID

docs/architecture/10-algorithm-complexity.md

@@ -0,0 +1,27 @@
+---
+sidebar_position: 10
+---
+
+# Метод оценки сложности алгоритма O(n)
+
+Метод оценки сложности алгоритма **O(n)** используется для анализа времени выполнения алгоритма в зависимости от размера входных данных. Обозначение **O(n)** означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
+
+## Пример на JavaScript:
+Рассмотрим простой пример алгоритма, который проходит по всем элементам массива и выполняет какую-то операцию (например, вывод в консоль):
+```js
+function printArrayElements(arr) {
+    for (let i = 0; i < arr.length; i++) {
+        console.log(arr[i]);
+    }
+}
+const array = [1, 2, 3, 4, 5];
+printArrayElements(array);
+```
+
+## Объяснение:
+1. **Цикл `for`:** В этом примере цикл `for` проходит по каждому элементу массива `arr`. Количество итераций цикла равно длине массива `n`.
+2. **Линейная зависимость:** Если массив увеличивается в размере (например, в 2 раза), то количество итераций цикла также увеличивается в 2 раза. Это означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
+3. **Сложность O(n):** Таким образом, сложность этого алгоритма оценивается как **O(n)**, где `n` — это количество элементов в массиве.
+
+## Заключение:
+Метод оценки сложности **O(n)** помогает понять, как будет вести себя алгоритм при увеличении объёма данных. В данном случае, если массив станет очень большим, время выполнения алгоритма будет пропорционально увеличиваться.

docs/tasks/06-algorithms/_category_.json

@@ -1,7 +0,0 @@
-{
-  "label": "Алгоритмы",
-  "position": 6,
-  "link": {
-    "type": "generated-index"
-  }
-}

docs/tasks/06-algorithms/index.md

@@ -1,3 +0,0 @@
----
-sidebar_position: 1
----

docs/tasks/tasks.md

@@ -1,27 +0,0 @@
----
-sidebar_position: 1
----
-
-# Метод оценки сложности алгоритма O(n) 
-
-Метод оценки сложности алгоритма **O(n)** используется для анализа времени выполнения алгоритма в зависимости от размера входных данных. Обозначение **O(n)** означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
-
-## Пример на JavaScript:
-Рассмотрим простой пример алгоритма, который проходит по всем элементам массива и выполняет какую-то операцию (например, вывод в консоль):
-```js
-function printArrayElements(arr) {
-    for (let i = 0; i < arr.length; i++) {
-        console.log(arr[i]);
-    }
-}
-const array = [1, 2, 3, 4, 5];
-printArrayElements(array);
-```
-
-## Объяснение:
-1. **Цикл `for`:** В этом примере цикл `for` проходит по каждому элементу массива `arr`. Количество итераций цикла равно длине массива `n`.
-2. **Линейная зависимость:** Если массив увеличивается в размере (например, в 2 раза), то количество итераций цикла также увеличивается в 2 раза. Это означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
-3. **Сложность O(n):** Таким образом, сложность этого алгоритма оценивается как **O(n)**, где `n` — это количество элементов в массиве.
-
-## Заключение:
-Метод оценки сложности **O(n)** помогает понять, как будет вести себя алгоритм при увеличении объёма данных. В данном случае, если массив станет очень большим, время выполнения алгоритма будет пропорционально увеличиваться.