数据结构和算法学习笔记（一）复杂度问题

一、什么是数据结构，什么是算法

从广义上讲，数据结构就是指一组数据的存储结构。算法就是操作数据的一组方法。
从狭义上讲，也就是我们需要学习的某些著名的数据结构和算法，比如队列、栈、堆、二分查找、动态规划等。这些都是前人智慧的结晶，我们可以直接拿来用。我们需要学习的这些经典的数据结构和算法，都是前人从很多实际操作场景中抽象出来的，经过非常多的求证和检验，可以高效地帮助我们解决很多实际的开发问题。
数据结构的主要知识点如下所示：
其中，最主要的有10个数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie 树；10个算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。

二、复杂度分析

学习数据结构和算法的意义在哪？数据结构和算法就是让计算机用最少的资源、最短的时间完成同样的任务。而复杂度分析就是衡量所消耗时间、资源的一个指标。复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构和算法的内容基本上就掌握可一半。

1.时间复杂度

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))，称O(f(n))为算法的渐进时间复杂度(O是数量级的符号 )，简称时间复杂度。
程序每执行一条基本语句，时间复杂度为O(1)。
计算时间复杂度的基本方法：
1.用常数1代替运行时间中的所有加法常数
2.f(n)函数中，只保留最高阶项
3.去除最高阶项的系数
加法法则

int cal(int m, int n) {
  int sum_1 = 0;
  int i = 1;
  for (; i < m; ++i) {
    sum_1 = sum_1 + i;
  }

  int sum_2 = 0;
  int j = 1;
  for (; j < n; ++j) {
    sum_2 = sum_2 + j;
  }

  return sum_1 + sum_2;
}

正常情况我们是先分析两段代码的时间复杂度，然后相加，根据复杂度的基本方法给出最后的时间复杂度。但是我们事先无从知道m和n的数据规模，无法评估两者的量级大小，所以不能简单的相加，省略掉其中一个，两者都应该保留下来。所以时间复杂度应为O(m+n)。

乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

int cal(int n) {
   int ret = 0; 
   int i = 1;
   for (; i < n; ++i) {
     ret = ret + f(i);
   } 
 } 
 int f(int n) {
  int sum = 0;
  int i = 1;
  for (; i < n; ++i) {
    sum = sum + i;
  } 
  return sum;
 }

首先我们很容易分析出，f()函数的基本语句需要执行（n-1)次，时间复杂度为O(n),由于f()是嵌套在cal()函数里边的，cal()函数每执行一次，f()执行（n-1)次，cal()函数总共需执行（n-1)*(n-1)次，也就是时间复杂度为O(n^2)。

2.空间复杂度

时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，空间复杂度全程就是监禁空间复杂度，表示算法的存储空间与数据规模之间的增长关系。
常见的空间复杂度就是O(1)，O(n)，O(n^2)等，像 O(logn)、O(nlogn)对数阶复杂度平时用不到。

3.最好、最坏、平均时间复杂度

最好情况时间复杂度就是，在最理想的情况下，执行这段代码的时间。
同理，最坏情况时间复杂度就是，在最糟糕的情况下，执行这段代码的时间复杂度。
最好情况时间复杂度和最坏情况时间复杂度对应的都是极端情况下的代码复杂度，发生的概率其实并不大。为了更好地表示平均情况下的复杂度，我们需要引入另一个概念：平均情况时间复杂度。

后记：第一次写博客，虽然内容不是很多，但是断断续续写了好几天，也参考了很多别人的博客，有很多细节的东西网上有很多，就没有详细些。在后续的笔记中，会增加一些自己的学习体会，希望自己坚持下去。