数据结构

绪论

计算 是对象（规律，技巧）和目标（高效，低耗）

解决一些问题或进行一些计算都要进行一些相同的步骤分析条件（进行输入），解题步骤（算法），得出结论 （做出输出）。

 算法都可以被描述为若干步骤并能机械执行

子程序或子算法，一个大的程序中往往包含一些更小的程序，小的程序往往能被一些更大的程序重用。

**计算=信息处理的过程，借助某种工具，遵照一定规则，已明确而机械的形式进行

计算模型=计算机=信息处理工具

算法：特定计算模型下，旨在解决特定问题的指令序列      输入、输出、正确性、确定性、可行性、有穷性......

程序未必是算法

好算法：正确、健壮、可读、效率（速度尽可能的快；存储空间尽可能的少）

 算法+数据结构=程序（DSA）

计算模型：度量

1、引入理想、统一、分层次的尺度     2、运用该尺度，测量DSA的性能 

算法分析：正确性、成本（时间、空间）

划分等价类：实例的规模

特定问题+相同算法：最坏情况：T(n)=msx{T(P)|   |P|=n}

特定问题+相同算法：需要抽象出一个理想的平台或模型，不依赖与种种具体的因素，从而直接准确的描述和测量算法

图灵机（TM）模型：tape依次均匀的划分为单元格，字符的种类有限，head读写头，TM总是处于有限的状态每进过一个节拍可以按照规律转向另一种状态

规范~接口

RAM模型：简单操作寄存器之间的相互赋值和条件判断，转向语句

这俩个模型都是一般计算工具的简化和抽象，使我们可以独立于具体的平台，对算法的效率做出可信的比较和判断

算法的运行时间~算法需要执行的基本操作次数

执行过程可以记录为一张表，表的行数就是所执行基本指令的总条数

**大O记号（科学记号），刻度

不去关注细微末节，更关注长远和主流

渐进的分析方法，不断地将其放大

大O相较T(n)更为简洁，但依然能反映增长趋势。常数项，低次项可以忽略

大Ω记号可以构成T(n)的下界

高效解  常数  O(1)    不含转向（循环、调用、递归等），必是顺序执行   ；对数 O （log n）

有效解   多项式复杂度O（n的c次方）

难解    指数  O(2的n次方)

**算法分析 去粗取精

俩个主要任务正确性（不变性*单调性）+复杂度

分析复杂度的主要方法：迭代（级数求和）递归（递归跟踪+递归方程）  猜测+验证

级数

算术级数与末项平方同阶

幂方级数 比幂次方高出一阶

几何级数（底数>1）与末项同阶（等比数列）

收敛级数  O(1)

循环

封底估算：定量的分析算法的复杂度

迭代和递归

 减而治之：为求解一个大规模的问题，可以将其划分为俩个子问题：其一平凡，另一规模缩减分别求解子问题，由子问题的解得到原问题的解

递归跟踪：分析检查每个递归实例，累计所需时间（调用语  句本身，计入对应的子实例）其总和即算法执行时间                 

递归方程： 为求解规模为n的问题，需递归求解规模为（n-1）的问题。     递归基 

分而治之：为求解一个大规模的问题，可以将其划分为若干子问题，规模大体相当，分别求解子问题。由子问题的解，得到原问题的解

   动态规划：make it  work,    make it right,     make it fast  消除重复计算，提高效率