死磕数据结构与算法-第一弹

为什么要学习数据结构与算法

学习数据机构与算法，很大程度上是为了面试，现在几乎都是面向spring开发，调用api即可，但是数据结构与算法几乎面试中必考一题。但是在业务开发中似乎难以遇到，真的是这样吗，并不是，比如：开发ArrayList 、 Linked List 再操存储数据的时候，到底使用哪一个，还是随便用一个，如何评估代码的性能和资源的消耗，这背后都离不开数据结构和算法。

如何对半壁江山-复杂度进行分析

数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。
通常来说，我们再看各种算法数据结构书籍的时候，都会涉及到一个词-复杂度，只要讲到数据结构与算法，就一定离不开时间、空间复杂度分析，几乎占据了整个算法的半壁江山。
复杂度又分为：时间复杂度 和 空间复杂度

1. 时间复杂度
   通俗一点就是这块代码执行的时间是多少，代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度。

    public void test(int n) {
        int sum = 0;
        int i = 1;
        for (int j = 1; j <= n; ++j) {
                sum = sum + j;
          }
    }

对于这块代码，如何分析时间复杂度呢，首先 时间复杂度采用的是大O表示法,从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，所以可以假设每行代码执行的时间都一样，为 Time。在这个假设上，第 2-3行 2Time ， 第 4-5行 是nTime ，总的时间复杂度为(n+2)Time,发现所有代码的执行时间 T(n) 与每行代码的执行次数成正比，T(n)=(n+2)Time 。
归纳公式：
T(n)=O(f(n)),T(n) ：代码执行的时间；n 表示数据规模的大小；f(n) 表示每行代码执行的次数总和。因为这是一个公式，所以用 f(n) 来表示。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
总的来说有几条经验：

• 大 O 这种复杂度表示方法只是表示一种变化趋势，分析代码中最复杂的来代替
• 如果存在嵌套执行，分析各自的复杂度相乘

2. 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。
   它的分析要与时间简单，一般就是 new 数组[n/固定的值]，一般就是O(1)/O(n)

常见的复杂度不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n^2 )。