数据结构与算法（考研和期末）

数据结构

1. 什么是数据结构？
   数据结构（Data Structure）：是计算机存储，组织数据的方式，指相互之间一种或多种特定关系的数据元素的集合。

2. 什么是算法？
   算法(Algorithm)：就是定义良好的计算过程，他取一个或一组的值 输入，并产生一个或一组值作为输出。简单来说就是一系列的计算步骤，用来将数据转化成输出结果。
   算法的时间复杂度和空间复杂度
   如何衡量一个算法的好坏
   斐波那契数列

long long Fib(int N){
	if(N<3)
		return 1;
	return Fib(N-1) + Fib(N-2);
}

时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法所需要的额外空间。
衡量一个算法的好坏，一般是从时间和空间两个维度来衡量，即时间复杂度和空间复杂度。
时间复杂度的概念：算法的时间复杂度是一个函数（数学函数），他描述了该算法的运行时间。一个算法所耗费的时间，算法中的基本操作的执行次数，为算法的时间复杂度。
PS：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。
如何计算算法的时间复杂度

如上图，N越大对结果的影响越小，即F(N)=N^2
用渐进表示法表示:O(N^2)
实际中我们计算的时间复杂度，其实并不一定计算准确的执行次数，而只需要大概率执行次数，那么我们可以用大O的渐进表示法（估算）。
大O渐进表示法

1. 用常数1取代运行时间的所有加法常数。
2. 在修改后的运行次数函数中，只保留最高阶。
3. 如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

如下图

精确时间复杂度为：F(N)=2N+10
用大O阶渐进表示法：时间复杂度为O(N)

其时间复杂度为：O(N+M)
当N和M有条件时其时间复杂度为：
M远大于N -> O(M)
N远大于M -> O(N)
N和M差不多大时 ->O(M)/O(N)

其时间复杂度为：O(1)
O(1)代表的不是一次而是常数次。

另外时间复杂度也存在最好最坏和平均情况：
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
就比如在一个数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到

其时间复杂度为：O(N)
当一个算法随着输入不同，时间复杂度不同，时间复杂度做悲观预期，看最坏情况。
冒泡排序：前一个比后一个大交换位置
冒泡排序时间复杂度

从图中我们看到其执行次数为N的等差数列
时间复杂度为O(N^2)
算时间复杂度不能只去看是几层循环，而是去看他思想
递归算法：递归次数*每次递归调用的次数

//计算阶乘递归Fac的时间复杂度
long long Fac(size_t N)
{
if (0==N)
	return 1;
return Fac(N-1)*N;
}

上面这个程序Fac的时间复杂度为O(N);

//计算斐波那契数列Fib的时间复杂度？
long long Fib(size_t N)
{
if(N<3)
	return 1;
return Fib(N-1)+Fib(N-2);
}

这个斐波那契数列的时间复杂度O(2^n)斐波那契数列的递归写法完全一个实际没用的算法，其执行速度非常慢。
空间复杂度
空间复杂度也是一个数学表达式，是对一个算法在运行过程中临时额外占用存储空间大小的量度。
空间复杂度不是程序占用多少bytes的空间，因为这个没有太大意义。所以空间复杂是变量的个数，空间复杂度计算规则基本跟时间复杂度类似，也使用大O渐进表示法。
注意：函数运行时所需要的栈空间（存储参数、局部变量、一些寄存器信息等）在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候申请额外的空间来确定。