基于数据结构和算法的业务应用(一)

数据结构、算法到底什么？算法如何再业务中应用？

一 概述

1.1 数据结构的概述

1.1.2 概述

数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。

1.1.3 划分

数据结构我们关注的维度不一样，划分的方式不一样。数据结构可以分为逻辑结果和物理结构。

1. 逻辑结构
   逻辑结构，反应元素之间的逻辑关系。逻辑关系是指元素之间的前后间是什么形式关联，这与他们在计算机中的存储位置无关。类型如下：

线性结构：一对一关联，队形
树形结构：一对多关联，树形
图形结构：多对多关联，网状
  数据物理结构指的是逻辑结构在计算机存储空间中的存放形式(也称为存储结构)。一般来说，一种数据结构的
  逻辑结构根据需要可以表示成多种存储结构，常用的存储结构有顺序存储、链式存储、索引存储和哈希存储等。

2. 物理结构
   数据在计算机存储位置

顺序存储：用一组地址连续的存储单元依次存储集合的各个数据元素，可随机存取，但增删需要大批移动
链式存储：不要求连续，每个节点都由数据域和指针域组成，占据额外空间，增删快，查找慢需要遍历
索引存储：除建立存储结点信息外，还建立附加的索引表来标识结点的地址。检索快，空间占用大
哈希存储：将数据元素的存储位置与关键码之间建立确定对应关系，检索快，存在映射函数碰撞问题

1.1.4 程序中常见数据结构

每一种数据结构都在上述的逻辑结构和物理结构找到对应。

数组(Array)：连续存储，线性结构，可根据偏移量随机读取，扩容困难
栈( Stack)：线性存储，只允许一端操作，先进后出，类似水桶
队列(Queue)：类似栈，可以双端操作。先进先出，类似水管
链表( LinkedList)：链式存储，配备前后节点的指针，可以是双向的
树( Tree)：典型的非线性结构，从唯一的根节点开始，子节点单向执行前驱（父节点）
图(Graph)：另一种非线性结构，由节点和关系组成，没有根的概念，互相之间存在关联
堆(Heap)：特殊的树，特点是根结点的值是所有结点中最小的或者最大的，且子树也是堆
散列表(Hash)：源自于散列函数，将值做一个函数式映射，映射的输出作为存储的地址

1.2 算法的概述

算法指的是基于存储结构下，采用什么方式可以更有效的处理数据。数据的
运算是定义在数据结构的逻辑上，但是运算的具体实现要做存储结构上进 一般涉及操作有以下几种：

检索：在数据结构里查找满足一定条件的节点。
插入：往数据结构中增加新的节点，一般有一点位置上的要求。
删除：把指定的结点从数据结构中去掉，本身可能隐含有检索的需求。
更新：改变指定节点的一个或多个字段的值，同样隐含检索。
排序：把节点里的数据，按某种指定的顺序重新排列，例如递增或递减。

1.3 复杂度

1.3.1 时间复杂度

为了某种运算而花费的时间，使用大写O表示。一般来讲，时间是一个不太容易计量的维度，而为了计算时间复杂度，通常会估计算法的操作单元数量，而假定每个单元运行的时间都是相同的。一般来讲，常见时间复杂度有以下几种：

1. 常数阶O(1)：时间与数据规模无关，如交换两个变量值

int i=1,j=2,k
k=i;i=j;j=k;

2. 线性阶O(n)：时间和数据规模呈线性，可以理解为n的1次方，如单循环里的操作

for(i=1;i<=n;i++){
	do();
}

3. k次方阶O(nk)：执行次数是数量的k次方，如多重循环，以下为2次方阶(n2)实例

for(i=1;i<=n;i++){
  for(j=1;j<=n;j++){
  	do();
  }
}

4. 指数阶O(2n)：随着n的上升，运算次数呈指数增长

for(i=1;i<= 2^n;i++){
	do();
}

5. 对数阶O(log2n)：执行次数呈对数缩减，如下

for(i=1;i<=n;){
  i=2^i;
  do();
}

6. 线性对数阶O(nlog2n)：在对数阶的基础上，进行线性n倍乘积

for(i=1;i<=2^n;i++){
  for(j=1;j<=n;j++){
  	do();
  }
}

7. 总结

时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)<...＜Ο(nk)＜Ο(2n)＜Ο(n!)

1.3.2 空间复杂度()

空间复杂度是对一个算法在运行过程中占用内存空间大小的度量。一个程序执行时除了需要存
储空间和存储本身所使用的指令、常数、变量和输入数据外，还需要一些对数据进行操作的辅助空间。而空间复杂
度主要指的是这部分空间的量级。

1. 固定空间

主要包括指令空间、常量、简单变量等所占的空间，这部分空间的大小与运算的数据多少无关，属于静态空间。

2. 可变空间

主要包括运行期间动态分配的临时空间，以及递归栈所需的空间等，这部分的空间大小与算法有
很大关系。

3. 空间复杂度的分类
   同样，空间复杂度也用大写O表示，相比时间复杂度场景相对简单，常见级别为O(1)和O(n)，以数组逆序为例：
   1）O(1)：常数阶，所占空间和数据量大小无关。

//定义前后指针，和一个临时变量，往中间移动
//无论a多大，占据的临时空间只有一个temp
int[] a={1,2,3,4,5};
int i=0,j=a.length‐1;
while (i<=j){
  int temp = a[i];
  a[i]=a[j];
  a[j]=temp;
  i++;
  j‐‐;
}

2）O(n)：线性阶，与数据量大小呈线性关系

//定义一个和a同等大小的数组b，与运算量a的大小呈线性关系
//给b赋值时，倒序取a
int[] a={1,2,3,4,5};
int[] b=new int[a.length];
for (int i = 0; i < a.length; i++) {
	b[i]=a[a.length‐1‐i];
}

1.3.3 类比

对于一个算法，其时间复杂度和空间复杂度往往是相互影响的。时间复杂度低可能借助占用大的存储空间来弥补，
反之，某个算法所占据空间小，那么可能就需要占用更多的运算时间。两者往往需要达到一种权衡。
在特定环境下的业务，还需要综合考虑算法的各项性能，如使用频率，数据量的大小，所用的开发语言ÿ