2024年鸿蒙最全数据结构与算法基础-(3)(1)，2024年HarmonyOS鸿蒙阿里&腾讯&百度&字节校招面试汇总

本文链接：https://blog.csdn.net/2401_84871540/article/details/138889253

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

1. 多项式时间（Polynomial time）

6a78491801a74bbd8d932659b06e11db.gif#pic_center

回顾💫

“温故而知新”~

上回儿说到,什么是时间复杂度,空间复杂度,

以及变位词问题的四种解法,以及内置函数sorted和sort.()的内置函数拓展

**不记得的朋友可以点击🔗http://t.csdn.cn/04nTx**进行快速定位,接下来进行new knowledge 的学习

后面我们会用来实现各种数据结构

通过运行试验来估计其各种操作运行时间数量级

List 列表数据类型常用操作性能🍒

最常用的:按索引取值和赋值( v = a [i]–>取值操作, a [i] = v–>赋值操作)

由于列表随机访问特性 , 这两个操作执行时间与列表大小无关 , 均为O(1)

另一个是列表增长, 可以选择append() 和 _add_() " + "

lst.append(v), 执行时间 O(1)

lst = lst + [V],列表中加一个列表, 执行时间是O(n+k),其中 k 是被加的列表长度

选择哪个方法来操作列表,决定了程序的性能

4种生成前n个整数列表的方法:

#首先是循环连接列表( + ) 方式生成
def test1():
    l = []
    for i in range(1000):
        l = l + [i]

#然后用append方法添加元素生成
def test2():
    l = []
    for i in range(1000):
        l.append(i)

#用列表推导式来生成
def test3():
    l = [i for i  in range(1000)]

#最后 利用 range函数 调用转成 列表
def test4():
    l = list(range(1000))

Dict字典数据类型常用操作性能🍌

P、NP、NPC、NP-hard问题详解🫐

想要理解P问题、NP问题、NPC问题、NP-hard问题，需要先弄懂几个概念：

什么是多项式时间(inpolynomial多项式 time)？
什么是确定性算法？什么是非确定性算法？
什么是规约/约化？

1. 多项式时间（Polynomial time）🍈

时间复杂度是衡量算法执行效率的一个指标，它表示算法运行时间与问题规模之间的增长关系。通常用大O符号来表示。

常见的时间复杂度类型有：

常数阶 O(1)
对数阶 O(log n)
线性阶 O(n)
线性对数阶 O(n log n)
平方阶 O(n^2)
立方阶 O(n^3)
指数阶 O(2^n)
阶乘阶 O(n!)

常数时间复杂度 O(1)：无论输入的数据规模如何变化，算法的执行时间都是恒定的示例：访问数组中固定下标的元素，或者执行单次的加减乘除运算等。
对数时间复杂度 O(log n)：当输入规模增加时，算法执行时间相对于输入规模增加的比率不大。示例：二分查找算法。
线性时间复杂度 O(n)：算法执行时间与输入规模是正比的。示例：遍历一次长度为 n 的数组，或者进行一次循环从1到n 累加求和等。
平方时间复杂度 O(n^2)：算法执行时间与输入规模平方成正比。示例：双重循环嵌套的算法，比如冒泡排序、插入排序等。
指数时间复杂度 O(2^n)：算法执行时间的增长率与输入规模的指数成正比。示例：穷举算法，比如求解最长公共子序列问题的暴力算法。

还有其他更高阶的时间复杂度，比如阶乘时间复杂度 O(n!)，递归时间复杂度 O(2^n) 等，但是这些复杂度通常不会出现在实际应用中，因为它们的执行时间会随着输入规模的增加而急剧增长，算法的效率非常低下。

像 O(1),O(ln(n)),O(n^a) 等，我们把它叫做多项式级复杂度，因为它的规模n出现在底数的位置；另一种像是 O(a^n) 和 O(n!) 等，它是非多项式级的复杂度，其复杂度计算机往往不能承受。当我们在解决一个问题时，我们选择的算法通常都需要是多项式级的复杂度，非多项式级的复杂度需要的时间太多，往往会超时，除非是数据规模非常小。

2. 确定性算法与非确定性算法🍑

确定性算法：

设A是求解问题B的一个解决算法，在算法的整个执行过程中，每一步都能得到一个确定的解，这样的算法就是确定性算法。

非确定性算法：

设A是求解问题B的一个解决算法，它将问题分解成两部分，分别为猜测阶段和验证阶段，其中

猜测阶段：在这个阶段，对问题的一个特定的输入实例x产生一个任意字符串y，在算法的每一次运行时，y的值可能不同，因此，猜测以一种非确定的形式工作。
验证阶段：在这个阶段，用一个确定性算法（有限时间内）验证。 ①检查在猜测阶段产生的y是否是合适的形式，如果不是，则算法停下来并得到no； ② 如果y是合适的形式，则验证它是否是问题的解，如果是，则算法停下来并得到yes，否则算法停下来并得到no。它是验证所猜测的解的正确性。

3. 规约/约化🍊

问题A可以约化为问题B，称为“问题A可规约为问题B”，可以理解为问题B的解一定就是问题A的解，因此解决A不会难于解决B。由此可知问题B的时间复杂度一定大于等于问题A。

规约就是选择一个文法规则：X→ABC,依次从栈顶弹出C、B、A，再将X压进栈。规范规约是文法中句子的一个最右推导的逆过程，而最左推导对应的是最右规约。

再例如《算法导论》中有一个例子：现在有两个问题：求解一个一元一次方程和求解一个一元二次方程。那么我们说，前者可以规约为后者，意即知道如何解一个一元二次方程那么一定能解出一元一次方程。我们可以写出两个程序分别对应两个问题，那么我们能找到一个“规则”，按照这个规则把解一元一次方程程序的输入数据变一下，用在解一元二次方程的程序上，两个程序总能得到一样的结果。这个规则即是：两个方程的对应项系数不变，一元二次方程的二次项系数为0。

从规约的定义中我们看到，一个问题规约为另一个问题，时间复杂度增加了，问题的应用范围也增大了。通过对某些问题的不断规约，我们能够不断寻找复杂度更高，但应用范围更广的算法来代替复杂度虽然低，但只能用于很小的一类问题的算法。存在这样一个NP问题，所有的NP问题都可以约化成它。换句话说，只要解决了这个问题，那么所有的NP问题都解决了。这种问题的存在难以置信，并且更加不可思议的是，这种问题不只一个，它有很多个，它是一类问题。这一类问题就是传说中的NPC问题，也就是NP-完全问题。