数据结构--基本结构和算法复杂度讲解

1、数据结构的基本概念

是一门研究非数值运算（即无法用数学公式和方程来描述，而是用表，树，图之类的数据）的程序设计中的计算机操作对象以及它们之间的关系（线性和非线性）和操作的学科。
数值型的数据：整数，实数
非数值型的数据：文字，图像，图形，声音等。
数据元素之间不是孤立存在的，它们之间存在着某种关系，数据元素相互之间的关系称为结构。

2、数据结构的两个层次

逻辑结构：描述数据元素之间的逻辑关系，与数据存储无关
存储结构（物理结构）：数据元素及其关系在计算机存储器中的结构（存储方式）
二者综合起来建立了数据元素之间的结构关系。
逻辑结构：
（1）分为线性结构和非线性结构；线性结构分为线性表，栈和队列，串，数组和广义表，非线性结构分为树和图
（2）分为集合结构：数据元素之间同属于一个集合
线性结构：数据元素之间是一对一的关系
树形结构：数据元素之间是一对多的关系
图形结构：数据元素之间是多对多的关系
存储结构：
顺序存储结构：用连续的存储单元依次存储数据元素，逻辑关系由元素的存储位置表示。
链式存储结构：任意的存储单元存储数据元素，逻辑关系用指针表示。
索引式存储结构：在存储结点信息的同时，建立附加的索引表（关键字，地址）
散列式存储结构：根据结点的关键字直接计算该结点的存储地址

知道了数据的结构，那么如何有效地实现对象之间的‘运算’关系？
引出算法–解决问题的方法和步骤
算法运行时间 = E（ 每条语句的执行次数 x 该语句执行一次所需的时间）求和

例1：

for(i=1;i<=n;i++)		//第一行 n+1
	for(j=1;j<=n;j++){	//第二行 n(n+1)
		c[i][j]=0;		//第三行 n*n
		for(k=0;k<n;k++)//第四行 n*n*(n+1)
			c[i][j] = c[i][j] + a[i][k]*b[k][j]
			// 			//第五行 n*n*n
	}

***注释：对于第一行：执行次数为n次，因为还要判断条件不成立时，退出循环，所以要多执行一次即n+1次。
对于第二行，因为不满足第一行的条件的话，不会执行，相对于第一行，它属于内层循环，只用执行n次，而自己还要判断条件不成立时，退出循环，所以也是n+1次。
算法的时间消耗T（n) = 2n ^ 3 + 3n^ 2 +2n +1

简单方法：只比较数量级，数量级越大计算时间越长
若有某个辅助函数f(n),使得当n趋于无穷大时，T(n)/f(n)的极限值为不等于0的常数，则称f(n）是T（n)的同数量级函数，记作O（f(n)),简称时间复杂度这个定义有点类似于极限思想，如T(n) = 10n^ 2 —-—>O(n^ 2)
因此例1为O（n^ 3)

分析算法时间复杂度的方法：
1、找出语句频度最大的那条语句作为基本语句
2、计算基本语句的频度得到问题规模n的某个函数f（n)
3、取其数量级用符号“O”表示

例子2：

x=0;y=0
for(int k=0;k<n;k++)//n+1
	x++；			//n
for(int i=0;i<n;i++)//n+1
	for(int j=0;j<n;j++)//n*(n+1)
	y++;				//n*n

因此为O（n*n)

例子3：

float sum[];
for(int i=0;i<m;i++){
	sum[i]=0;
	for(int j=0;j<n;j++)
		sum[i] +=x[i][j];//m*n
}
for(i=0;i<m;i++)
	cout<<i<< ":" <<sum[i] <<end;
}

因此O(m*n)

总结：时间复杂度是由嵌套最深层语句的频度决定的

注意：还可以使用级数的方法，如例子1中

对于例子2：

具体怎么算参考级数求和或者泰勒公式可得。

例子4：

i=1;		//a
while(i<=m)
	i=i*2	//b

分析：若循环执行1次：i=12=2
若循环执行2次：i=22=2^ 2
若循环执行n次：i = 2 ^n
又因为i<=m,所以2 ^ n<=m,所以n= log2^ m(取了最大值）
例子5：
有的情况下，算法中基本操作重复执行的次数随问题的输入数据集不同而不同

顺序查找，在数组a[i]中查找值等于e的元素，返回其所在位置
for(i=0;i<n;i++)
	if(a[i]==e)return i+1;//找到，则返回第几个元素
return 0;

分析：如果e=a[0],则只需要查找一次
如果e=a[1],则只需要查找两次
如果e=a[i],则需要查找n次
所以，O（n）
因此可以把算法时间复杂度分为三种
最坏时间复杂度，平均时间复杂度，最好时间复杂度
对于复杂的算法，可以将它分成几个容易估算的部分，然后利用大O加法法则和乘法法则，计算算法的时间复杂度：
a)加法法则：

复杂度从低到高的顺序依次为：
常数阶，对数阶，线性阶，线性对数阶，平方阶，立方阶，k次方阶，指数阶

空间复杂度：算法所需存储空间的度量，记作S（n) = O(f(n)),其中n为问题的规模（或大小）
算法要占据的空间
算法本身要占据的空间：输入/输出，指令，常数，变量等
算法要使用的辅助空间
例子5：
将一维数组中的n个数逆序存放到原数组中

for(i=0;i<n/2;i++){
	t=a[i];
	a[i] = a[n-i-1]
	a[n-i-1] =t;

S(n)=O(1），其中t为辅助空间，只需要一个变量空间

for(i==0,i<n;i++)
	b[i]=a[n-i-1];
for(i=0;i<n;i++);
	a[i]=b[i]

S(n)=O(n），其中b[i]由a决定，a需要多大的空间，b就需要多大。