数据结构算法

算法

定义：算法是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令表示一个或多个操作。

算法的本质：算法是描述解决问题的方法。
算法与数据结构的关系：相互独立，但是两者配合更好

算法的特性：输入输出、有穷性、确定性、可行性。
输入输出：算法具有零个或多个输入，但至少有一个或多个输出。
有穷性：指算法在执行有限的步骤之后，自动结束而不会出现无限循环，并且每个步骤在可接受的时间内完成。
确定性：算法的每一步骤都具有确定的含义，不会出现二义性。
可行性：算法的每一步都必须是可行的，也就是说，每一步都能通过执行有限次数完成。

算法设计的要求：正确性、可行性、健壮性、时间效率高和存储量低
正确性：算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需求、能正确反映问题的需求、能够得到问题的正确答案
可行性：算法设计的另一目的是为了便于阅读、理解和交流
健壮性：当输入数据不合法时，算法也能做出相关处理，而不是产生异常或莫名其妙的结果
时间效率高和储量低：设计算法应该尽量满足时间效率高和存储量低的需求

算法效率的度量方法：事后统计方法、事前分析估计方法
事后统计方法：这种方法主要是通过设计好的测试程序和数据，利用计算机计时器对不同算法编制的程序的运行时间进行比较，从而确定算法效率的高低。
事前分析估计方法：在计算机程序编制前，依据统计方法对算法进行估算。

一个程序的运行时间，依靠与算法的好坏和问题的输入规模。
问题规模是指输入量的多少

函数的渐进增长：给定两个函数 f(n) 和 g(n),如果存在一个整数N，使得对于所有n>N , f(n) 总是比 g(n) 大，那么，我们说 f(n) 的增长渐近快与 g(n) 。

算法时间复杂度定义:算法的时间复杂符，也就是算法的时间量度，记作：T(n)=O(f(n)) .它表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

算法时间效率度量
（1）可以忽略加法和常数
（2）与最高次项相乘的常数可忽略
（3） 最高次项的指数大的，函数随着 n 的增长，结果也会变得增长得更快
（4）判断一个算法的（时间）效率时，函数中常数和其他次要项常常可以忽略，而更应该关注主项（最高阶项）的阶数

推导大O阶方法

1. 用常数1取代时间中的所有加法常数。
2. 在修改后的运行次数函数中，只保留最高阶项
3. 如果最高阶存在且不是1，则去除与这个项相乘的常数

常数阶

int sum=0，n=100；  //执行一次
sum=(1+n)*n/2; //执行一次
Console.Write("sum",sum)//执行一次

大O阶是O(1)

线性阶

int i;
for(int i=0;i<n;i++)
{
  时间复杂度为O(1)的程序步骤序列
}

i<n表示要进行n次循环

大O阶是O(n)

对数阶

int count=1
while(count<n)
{
   count=count*2
}

count不断乘以2，便是2的n次方不断解决n

平方阶

int i ,j;
for(int i;i<m,i++)
{
  for(int j;j<n;j++)
  {
  
  }
}

大O阶是O(n的2次方)

循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数

常见的时间复杂度

算法空间复杂度
定义：通过计算算法所需的存储空间实现(即运行完一个程序所需内存的大小)。

公式：S(n)=O(f(n))

1、常量空间
当算法的存储空间大小固定，和输入规模没有直接的关系时，空间复杂度记作O(1).

2、线性空间
当算法分配的空间是一个线性的集合(如数组)，并且集合大小和输入规模n成正比，空间复杂度记作O(n).
3、二维空间
当算法分配的空间是一个二维数组集合，并且集合的长度和宽度都与输入规模n成正比时，空间复杂度记作O(n的平方)
4、递归空间
执行递归操作所需要的内存空间和递归的深度成正比，如果递归的深度是n，那么空间复杂度就是O(n).