数据结构与算法（绪论）

最新推荐文章于 2024-09-06 10:38:06 发布

puttyos

最新推荐文章于 2024-09-06 10:38:06 发布

阅读量880

点赞数 15

文章标签：算法数据结构笔记

本文链接：https://blog.csdn.net/fwputty/article/details/137789850

版权

本文详细介绍了数据结构的基础概念，包括数据项、数据元素和数据对象的区别，以及数据结构的逻辑结构、存储结构（如顺序和链接存储）。同时阐述了数据类型的作用和抽象数据类型的概念。文章还重点讲解了算法的定义、描述方式和分析方法，特别是时间复杂度和空间复杂度的计算。

摘要由CSDN通过智能技术生成

数据结构是一门描述非数值计算的程序设计中，计算机的操作对象以及它们之间的关系和操作的学科。

1.基本概念和术语

数据项->数据元素->数据对象->数据结构

数据项：构成数据元素的不可分割的最小单位。eg.0002-李明-男-1985/12/25/-党员

数据元素：数据的基本单位。eg.1985/12/25

数据对象：性质相同的数据元素的集合。eg.整数集、字母字符集

2.数据结构

数据结构是带结构的数据元素的集合，包括逻辑结构、存储结构（物理结构）、数据的运算和实现。

数据结构的种类：

划分方式一：线性结构、非线性结构

划分方式二：集合结构、线性结构（1v1）、树形结构（1vn）、图状结构（nvn）

逻辑结构：从具体问题抽象出的数学模型，描述数据元素之间的逻辑关系

存储结构：数据元素及其关系在计算机存储器中的存储方式，包括顺序存储结构、链接存储结构、索引存储结构、散列存储结构

1.顺序存储结构：用一组连续的存储单元依次存储数据元素，数据元素之间的逻辑关系由元素的存储位置表示。c语言中用数组来实现。eg.数组

2.链接存储结构：用一组任意的存储单元存储数据元素数据，元素之间的逻辑关系由指针表示。c语言中用指针来实现。eg.链表

逻辑结构是数据结构的抽象，存储结构是数据结构的实现，二者综合起来建立了数据元素之间的结构关系。

3.数据类型

数据类型：一组性质相同的值的集合以及定义于集合上的一组操作的总称。

作用：约束变量或常量的取值范围和操作。如，int型只能取[-32768,32767]，在此基础上进行+-*/%等操作。

抽象数据类型：数学模型以及定义在该模型上的一组操作，包括数据对象、数据关系、基本操作，使用类语言描述。

4.算法

算法：对特定问题的求解方法和步骤的描述。

描述方式：自然语言、流程图、伪代码/类语言、程序代码

特性：有穷性（执行步骤、时间）、确定性（执行路径）、可行性、输入、输出

设计要求：正确性、可读性、健壮性（鲁棒性）（针对异常、错误处理）、高效性

算法效率：时间效率、空间效率。

时间效率的度量方法：事前分析、事后分析

5.算法分析

事前分析方法：算法运行时间=∑每条语句频度*单位时间（语句频度：每条语句的执行次数）

为了便于比较不同算法的时间效率，仅比较它们的数量级。一般不计算所有操作的执行次数，只考虑基本操作的执行次数，记作T(n)。

若存在函数f(n)，使得lim(n->∞)T(n)/f(n)=C，则称f(n)是T(n)的同数量级函数，记作T(n)=O(f(n))，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。

分析算法时间复杂度的基本方法：

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的函数f(n)；

3.取其数量级用符号“O”表示。

//eg.nxn矩阵相乘的算法可描述为：
for(int i=1;i<=n;i++)                          //n+1次
    for(j=1;j<=n;j++){                         //n*(n+1)次
        c[i][j]=0;                             //n*n次
        for(k=0;k<n;k++)                       //n*n*(n+1)次
            c[i][j]=c[i][j]+a[i][j]*b[i][j];   //n*n*n次
    }

$T(n)=2n^{3}+3n^{2}+2n+1$

$T(n)=O(n^{3})$

//eg.某些情况T(n)与输入数据集有关，如顺序查找：
for(i=0;i<n;i++)
    if(a[i]==e) return i+1；
return 0;

最好情况：1次，最坏情况：n，平均时间复杂度：O(n)

//易错题，分析一下程序段的时间复杂度：
i=1;
while(i<=n)
    i=i*2;

$\because i=2^{x}\leq n,\therefore x\leq \log_{2}n$ ，取最大值 $f(n)=log_{2}n$ ， $T(n)=O(log_{2}n)$

对于复杂的算法，可以分部然后利用加法法则和乘法法则计算。

加法规则

$T(n)=T_{1}(n)+T_{2}(n)=O(f(n))+O(g(n))=O(max(f(n),g(n)))$

乘法规则

$T(n)=T_{1}(n)*T_{2}(n)=O(f(n))*O(g(n))=O(f(n)*g(n))$

O(n)复杂度排序（由简单到复杂）

$O(1)-O(log_{2}n)-O(n)-O(n log_{2}n)- O(n^{2})-O(n^{3})...O(n^{k})-O(2^{n})$

渐进空间复杂度：算法所需存储空间的度量，记作S(n)=O(f(n))

算法占据的空间=本身要占据的（输入/输出、指令、变量、常量）+辅助空间

//eg.将一维数组中的数逆序存放到原数组中
//算法1
for(i=0;i<n/2;i++){
    t=a[i];
    a[i]=a[n-i-1];
    a[n-i-1]=t;
}

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

算法1：S(n)=O(1)；算法2：S(n)=O(n)