提示：记录学习路径，希望更好地去掌握所学的知识，个人总结与学习交流使用，方便的话可以一起交流
前言
数据结构是一个相对来说比较抽象的概念，是指计算机存储、组织数据的方式，是算法的基础，掌握好数据结构可以更高效的选择算法，也方便代码的维护（个人理解）
一、常见的数据结构
常见的数据结构包括：
- 数组（Array）：一种基础的线性数据结构，可以在内存中连续存储多个元素，这些元素通常是相同类型的数据。
- 链表（Linked List）：由一系列节点组成，每个节点包含数据部分和指向下一个节点的指针。
- 栈（Stack）：一种遵循后进先出（LIFO）原则的线性数据结构。
- 队列（Queue）：一种遵循先进先出（FIFO）原则的线性数据结构。
- 树（Tree）：一种非线性数据结构，由节点组成，每个节点都有零个或多个子节点。
- 图（Graph）：由顶点的集合及连接这些顶点的边的集合组成，用于表示物件之间多对多的关系。
- 哈希表（Hash Table）：通过哈希函数来计算数据的存储位置，以实现快速的数据查找。
当下看的话可能会觉得像希哈表的概念很高级，后面会慢慢接触到的，需要有一定的C语言的基础尤其是指针等方面
二、复杂度
1.空间复杂度
衡量一个程序在执行的过程中产生的存储空间的消耗，空间复杂度越小越好，但当下对于空间复杂度的要求相对来说没有时间复杂度那么高，因为当下存储空间并不紧张，所以一般我们会优先考虑时间复杂度尽可能小，会牺牲空间来成全时间。
空间复杂度的计算通常考虑以下几方面：
-
程序代码本身占用的空间：这部分空间通常是不变的，与输入规模无关。
-
输入数据占用的空间：在计算空间复杂度时，通常不考虑输入数据占用的空间，因为输入数据的大小通常是由问题本身决定的。
-
临时变量占用的空间：这包括算法执行过程中临时创建的变量、数据结构等所占用的空间。
-
递归栈占用的空间：如果算法使用了递归，那么递归的深度会影响栈空间的使用。
2.时间复杂度
时间复杂度通常用大O符号（O-notation）表示（模糊估计），记作O(f(n))，其中f(n)是关于输入规模n的一个函数，用来描述算法运行时间相对于输入规模的增长率。这里的关键是算法运行时间的增长率，而不是实际的运行时间，因为不同的计算机和环境会导致实际的运行时间差异很大。
以下是一些常见的时间复杂度类别：
-
常数时间 O(1)：算法的运行时间不随输入规模n的变化而变化。例如，访问数组中的单个元素。
-
对数时间 O(log n)：算法的运行时间随着输入规模的增长而减少。例如，二分查找(
)算法。
-
线性时间 O(n)：算法的运行时间与输入规模n成线性关系。例如，遍历一个数组。
-
线性对数时间 O(n log n)：算法的运行时间是输入规模n与n的对数的乘积。例如，快速排序的平均时间复杂度。
-
二次时间 O(n^2)：算法的运行时间与输入规模的平方成正比。例如，冒泡排序(等差)或选择排序。
-
多项式时间 O(n^k)：算法的运行时间与输入规模的k次幂成正比，其中k是一个常数。例如，k>2的排序算法。
-
指数时间 O(2^n)：算法的运行时间以指数方式增长。例如，解决旅行商问题的蛮力算法（目前还没学过）。
总结
今天主要是针对刚刚学习的知识进行一个简单的总结，以备后面复习，自己的理解结合AI生成，更为重要的是要自己去敲一些代码，斐波那契递归、冒泡排序、二分法查找等一些代码要自己写一下整理一下思路
135
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
