初识数据结构--笔记

目录

1.数据结构前言

        1.1 什么是数据结构？

        1.2 什么是算法 ？ 

 2.  算法的时间复杂度和空间复杂度

        2.1 算法效率

        2.2 时间复杂度

               2.2-1时间复杂度概念

               2.2-2 大O的渐进表示法

               2.2-3常见时间复杂度计算举例

        2.3 空间复杂度

---

1.数据结构前言

        1.1 什么是数据结构？

        数据结构(Data Structure) 是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。

    通俗来讲，数据结构本质就是在内存当中以某种组织帮我们管理数据，某种组织大概就是树形结构、链式结构或者图形结构等结构，而管理就是对数据的增删查改。

        1.2 什么是算法 ？ 

        算法(Algorithm):就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为 输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。

 2.  算法的时间复杂度和空间复杂度

        2.1 算法效率

                2.1-1如何衡量一个算法的好坏

              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，即时间复杂度和空间复杂度。

        2.2 时间复杂度

               2.2-1时间复杂度概念

        时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个数学函数，它定量描述了该算法的运行时间，其实就是求算法中的基本操作执行次数。

                简单看一下下面案例时间复杂度：

// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
 for (int j = 0; j < N ; ++ j)
 {
 ++count;
 }
}
 
for (int k = 0; k < 2 * N ; ++ k)
{
 ++count;
}
int M = 10;
while (M--)
{
 ++count;
}
printf("%d\n", count);
}

能够看出来，执行次数F(n) = n^2 + 2*n +10

• n = 10      F(n) = 130
• n = 100    F(n) = 10210
• n = 1000  F(n) = 1002010 

        n越大，后面的2*n+10占比总数越小，实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这 里我们使用大O的渐进表示法。

               2.2-2 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阶方法：

          1.用常数1取代运行时间中的所有加法常数。

          2.在修改后的运行次数函数中，只保留最高阶项。 

          3.如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

       使用大O渐进法表示以后，Func1的时间复杂度为：O(N^2)。

        通过上面我们会发现大O 的渐进表示法 去掉了那些对结果影响不大的项 ，简洁明了的表示出了执行次数。

      另外有些算法的时间复杂度存在最好、平均和最坏情况：

      最坏情况：任意输入规模的最大运行次数( 上界 )

      平均情况：任意输入规模的期望运行次数

      最好情况：任意输入规模的最小运行次数( 下界 )

      例如：在一个长度为N 数组中搜索一个数据 x

      最好情况：1 次找到

      最坏情况：N 次找到

      平均情况：N/2 次找到

      在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)。

               2.2-3常见时间复杂度计算举例

        实例1：

// 计算Func2的时间复杂度？
void Func2(int N)
{
 int count = 0;
 for (int k = 0; k < 2 * N ; ++ k)
 {
 ++count;
 }
 int M = 10;
 while (M--)
 {
 ++count;
 }
 printf("%d\n", count);
}

        很容易能看出来，Func2的时间复杂度是O(N)，舍去相系数与常数而得。

        实例2：

// 计算Func3的时间复杂度？
void Func3(int N, int M)
{
 int count = 0;
 for (int k = 0; k < M; ++ k)
 {
 ++count;
 }
 for (int k = 0; k < N ; ++ k)
 {
 ++count;
 }
 printf("%d\n", count);
}

        这里Func3的时间复杂度是O(M+N)，这里不能确定M和N带量级关系，那么M和N都不能舍。

        实例3：

// 计算BubbleSort的时间复杂度？
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}

        冒泡排序，BubbleSort的运行次数是(N-1)+(N-2)+(N-3)+......+3+2+1次，是个等差数列，加起来就是N*(N-1)/2，而时间复杂度O(N^2)。

        2.3 空间复杂度

     空间复杂度也是一个数学表达式，是对一个算法在运行过程中临时占用存储空间大小的量度 。

      空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，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实践复杂度类似，也使用大O渐进表示法。

     

  注意： 函数运行时所需要的栈空间 ( 存储参数、局部变量、一些寄存器信息等 ) 在编译期间已经确定好了，因 此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

        实例1：

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
 if(n==0)
 return NULL;
 
 long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
 fibArray[0] = 0;
 fibArray[1] = 1;
 for (int i = 2; i <= n ; ++i)
 {
 fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
 return fibArray;
}

这个案例空间复杂度就是O(N)，简单来说就是函数创建了一个有n+1个元素的数组，函数内循环中创建了 i 变量，函数总共是有n+多个元素，所以空间复杂度舍去常数个，保留N。 

        实例2：

// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
 if(N == 0)
 return 1;
 
 return Fac(N-1)*N;
}

这个阶乘递归Fac空间复杂度是O(N)。N每次减1，都会开辟一块栈帧，减到0，最后就是开辟N块栈帧，所以是O(N)。