前言
之前买了两本书,一本《大话设计模式》,一本《大话数据结构》,其实这两本书都被我看完了,但是看完之后一脸懵逼,看的快,忘得疾。之前老师都教过我们,好记性不如赖笔头。于是决定还是再看一遍顺便做个笔记。本专栏笔记内容来自《大话数据结构》。
数据的基本概念和术语
此处我用图表的方式表示出来,如下图:
逻辑结构的分类图示:
物理结构分类图示:
抽象数据类型
数据类型:
是指一组性质相同的值的集合及定义在此集合上的一些操作的总称。
在C语言中,按照取值的不同,数据类型可以分为两类:
- 原子类型: 是不可以再分解的基本类型,包括整型、实型、字符型等。
- 结构类型:由若千个类型组合而成,是可以再分解的。例如,整型数组是由若干整型数据组成的。
抽象数据类型
抽象数据类型(Abstract Data Type, ADT):是指一个数学模型及定义在该模型上的一组操作。抽象数据类型的定义仅取决于它的一组逻辑特性,而与其在计算机内部如何表示和实现无关。
总结:
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。
算法的特性
算法的设计要求
算法的度量方法
函数的渐近增长
给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n> N, f(n)总是比g(n)大,那么,我们说f(n)的增长渐近快于g (n)。
算法的时间复杂度
在进行算法分析时,语句总的执行次数T (n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间量度,记作: T(n)= 0(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,称作算法的渐近时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数。
这样用大写O()来体现算法时间复杂度的记法,我们称之为大O记法。
推导大O阶方法
1.用常数1取代运行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.如果最高阶项存在且不是1,则去除与这个项相乘的常数。得到的结果就是大O阶。
常数阶
int sum = 0,n=100;/*执行一次*/
sum = (1+n)*n/2;/*执行一次*/
printf("%d",sum);/*执行一次*/
这个算法的运行次数函数是f (n) =3。 根据我们推导大0阶的方法,第一步就是把常数项3改为1。在保留最高阶项时发现,它根本没有最高阶项,所以这个算法的时间复杂度为O(1)
如果这个算法当中的语句sum= (1+n) *n/2有10句,如下图:
int sum = 0,n=100;/*执行1次*/
sum = (1+n)*n/2;/*执行2次*/
sum = (1+n)*n/2;/*执行3次*/
sum = (1+n)*n/2;/*执行4次*/
sum = (1+n)*n/2;/*执行5次*/
sum = (1+n)*n/2;/*执行6次*/
sum = (1+n)*n/2;/*执行7次*/
sum = (1+n)*n/2;/*执行8次*/
sum = (1+n)*n/2;/*执行9次*/
sum = (1+n)*n/2;/*执行10次*/
sum = (1+n)*n/2;/*执行11次*/
printf("%d",sum);/*执行12次*/
事实上无论n为多少,.上面的两段代码就是3次和12次执行的差异。这种与问题的大小无关(n 的多少),执行时间恒定的算法,我们称之为具有0(1])的时间复杂度,又叫常数阶。
注意:不管这个常数是多少,我们都记作0(1]), 而不能是0(3)、0(12]等其他任何数字,这是初学者常常犯的错误。
因此得出结论:执行次数恒定,记作O(1).
线性阶
线性阶的循环结构会复杂很多。要确定某个算法的阶次,我们常常需要确定某个特定语句或某个语句集运行的次数。因此,我们要分析算法的复杂度,关键就是要分析循环结构的运行情况。
下面这段代码,它的循环的时间复杂度为0(n), 因为循环体中的代码须要执行n次:
int i=0;
for ( i=0 ; i < n ; i++ )
{
/*时间复杂度为0(1)的程序步骤序列
}
循环体中的代码须要执行n次,记作O(n)
对数阶
int count = 1;
while (count < n)
{
coutn = count * 2;/*时间复杂度为0(1)的程序步骤序列*/
}
由于每次count乘以2之后,就距离n更近了一分。也就是说,有多少个2相乘后大于n,则会退出循环。由2x=n 得到x=log2n。 所以这个循环的时间复杂度为O(logn)。
平方阶
int i,j;
for ( i=0 ; i<n ; i++ )
{
for( j=0 ;j <n ;j ++)
{
/*时间复杂度为0(1)的程序步骤序列*/
}
}
而对于外层的循环,不过是内部这个时间复杂度为0(n)的语句,再循环n次。所以这段代码的时间复杂度为0(n2)。
常见的时间复杂度
最坏情况与平均情况
最坏情况
最坏情况运行时间是一-种保证, 那就是运行时间将不会再坏了。在应用中,这是一种最重要的需求, 通常,除非特别指定,我们提到的运行时间都是最坏情况的运行时间。
平均情况
平均运行时间是所有情况中最有意义的,因为它是期望的运行时间。也就是说,我们运行一 段程序代码时,是希望看到平均运行时间的。可现实中,平均运行时间很难通过分析得到,一般都是通过运行一定数 量的实验数据后估算出来的。
算法的空间复杂度
算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记作: S(n)= O(f(n)), 其中,n为问题的规模,f(n)为语句关于n所占存储空间的函数。