文章目录
一. 数据结构前言
1.1 数据结构
什么是数据结构呢?打开一个人的主页,有很多视频,这是数据(杂乱无章)。从上到下按照顺序整齐排列,这是在管理这些视频,即结构。
数据结构是计算机存储、组织数据的方式,指一种集合:【(相互之间存在一种或多种特定关系)的数据元素的】集合。
没有一种单一的数据结构对所有用途都有用,所以我们要学各式各样的数据结构,如:线性表、树、图、哈希等
1.2 算法
对数据进行 增删查改 就是计算,算法就是定义良好的计算过程。
数据结构和算法不分家。数据结构是载体,算法是工具(让我们可以更好地从载体里面取数据)
二. 算法效率
在下面的案例中,运行(调试)成功,但是提交失败了。失败原因是:超出时间限制。这就涉及到效率问题了。
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。(现在不太关注空间复杂度,因为如今的计算机储存容量很高)
2.1 时间复杂度
2.1.1 T(N)函数式
定义:在计算机科学中,算法的时间复杂度是一个函数式T(N),它定量描述了该算法的运行时间。
那为什么不能直接计算程序的运行时间,而要用时间复杂度来衡量程序的时间效率呢?
1.因为程序运行时间和编译环境 ,运行机器的配置都有关系,
(1)同一个算法程序,老编译器和新编译器都进行编译,在同样机器下运行时间不同;同一个算法程序,用一个低配置机器和高配置机器,运行时间也不同。
2.时间只能程序写好后测试,不能在写程序之前,通过理论思想计算评估。
T(N)函数式是用来计算程序的执行次数,假设每句指令执行时间基本一样,那么执行次数和运行时间(总时间)成等比正相关。这样就可以脱离具体的编译运行环境,使得执行次数就可以代表程序时间效率的优劣。
例一:
总共执行了T(N)=N ^ 2+2N+10次。
2.1.2 大O的渐进表示法
大O符号(Big O notation):是用于描述 函数渐进 行为的数学符号。
推导大O阶规则
1.时间复杂度函数T(N)中,只保留最高阶项。(当N趋近于无穷时,低阶项影响很小)
2.如果最高阶不是常数,则去掉最高阶的系数。(当N趋近于无穷时,系数影响很小)
3.如果T(N)中只有常数项,则用常数1取代所有加法常数。O(1)
根据上面的规则,例一的时间复杂度是O(1)。
例二:
1)若要查找的字符在字符串第一个位置,则:T (N) = 1
2)若要查找的字符在字符串最后一个位置,则:T (N) = N
3)若要查找的字符在字符串第一个中间位置,则:T (N) = 1/2N [去掉系数]
所以,strchr的时间复杂度分为:最好的情况O(1),中间的情况O(N),最坏的情况O(2)
例三:
T(N)=100,如果T(N)中只有常数项,则用常数1取代所有加法常数,所以Func2的时间复杂度为: O(1)。
例四:
void BubbleSort(int* a, int n)
{
assert(a);
for (int end = n; end > 0; --end)
{
int exchange = 0;
for (int i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
所以,BubbleSort的时间复杂度取最差情况为: O(N^2 )
例五:
void func5(int n)
{
int cnt = 1;
while (cnt < n)
{
cnt *= 2;
}
}
当n接近无穷大时,底数的大小对结果影响不大。因此,一般情况下不管底数是多少都可以省略不写,即可以表示为 log n【所以:func5的时间复杂度取最差情况为:O(log n)】
例六:
但并不是递归n次复杂度就是O(1),因为调用一次函数,它里面可能有循环,导致单次递归的时间复杂度不是O(1).
2.2 空间复杂度
空间复杂度不是程序占用了多少bytes的空间,因为常规情况每个对象大小差异不会很大,所以空间复杂度算的是变量的个数。
空间复杂度计算规则基本跟时间复杂度类似,也使用大O渐进表示法。
编译期间已经申请好的栈空间不用计算,空间复杂度主要通过(函数在运行时显示申请的额外空间)来确定。【栈空间:存储参数、局部变量、一些寄存器信息】
例一:
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n)
{
assert(a); //断言不需要额外申请空间
for (int end = n; end > 0; --end)
{ //end一次
int exchange = 0; //exchange一次
for (int i = 1; i < end; ++i)
{ i一次
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
函数栈帧在编译期间已经确定好了,只需要关注函数在运行时额外申请的空间。
BubbleSort额外申请的空间有exchange等有限个局部变量,使用了3个额外空间,因此空间复杂度为 O(1)
例二:
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
第一个函数栈帧Fac(N)在编译期间已经确定了,后面的Fac(N-1)到Fac(0)是在运行时才确定的。
Fac递归调用了N次,额外开辟了N个函数栈帧,每个栈帧使用了常数个空间
因此空间复杂度为: O(N)
2.3 常见复杂度比较
2.3 复杂度算法题
之前是循环K次将数组所有元素向后移动一位,时间复杂度不通过。O(N^2)
1.
申请新数组空间,先将后k个数据放到新数组中,再将剩下的数据挪到新数组中
void rotate(int* nums, int numsSize, int k)
{
int newArr[numsSize];
for (int i = 0; i < numsSize; ++i)
{
newArr[(i + k) % numsSize] = nums[i];
}
for (int i = 0; i < numsSize; ++i)
{
nums[i] = newArr[i];
}
}
2.
void reverse(int* nums, int begin, int end)
{
while (begin < end) {
int tmp = nums[begin];
nums[begin] = nums[end];
nums[end] = tmp;
begin++;
end--;
}
}
void rotate(int* nums, int numsSize, int k)
{
k = k % numsSize;
reverse(nums, 0, numsSize - k - 1);
reverse(nums, numsSize - k, numsSize - 1);
reverse(nums, 0, numsSize - 1);
}