算法简单总结

算法：时间复杂度和空间复杂度？时间复杂度和空间复杂度取舍？哪些时间复杂度是需要被优化的？优化的方法是什么？时间复杂度看最高的那个复杂度？

数据结构：有哪些数据结构？关系式是什么？

一、时间复杂度

1. O(1) 常数复杂度
不需要任何运算，其实就是一次运算。
2. O(n) 线性复杂度
循环语句，从1循环到n，不管n为多少，只要循环n次，与n一个数量级，时间复杂度均为n。

注：复杂度看最高的那个

let a = 0;    //时间复杂度为O(1);
a += i;       //时间复杂度为O(1);

循环时间复杂度是O(n)，那么嵌套循环时间复杂度是O(n²)

3. O(n²) 平方复杂度

注意：
（1）：O(n)+O(n)=O(2n) 仍是O(n)，前面的系数2忽略；
（2）：继承循环共同完成一个循环，仍是O(n)；


4. O(logn) 和 O(nlogn) 时间复杂度
与一些特定解题算法相关联，如常见的4中算法的时间复杂度：
二分查找：O(logn)
二叉树遍历：O(n) 因为每个节点仅遍历一次
排序查找/二维矩阵查找：O(n) 若一维则是O(logn)
排序：O(nlogn)

5. O(n³) 和 O(n！) 时间复杂度
常需要优化的

二、空间复杂度

在解题中，创建的变量、数组、链表等，为方便解题的数据结构，增加了空间复杂度，比如var、let、const定义了一个变量，里面存放某些值。

1. O(1) 空间复杂度

2. O(n) 空间复杂度

注意：（1）是自己创建的，不是题目给的。（2）一个数组里的数是若固定的，就不是O(n)，而是O(1)：比如数组里有两个数。

3. O(n²) 空间复杂度

三、时间复杂度和空间复杂度的取舍

一般取时间复杂度低的，因为空间内存相对时间较廉价一些，除非题目说明要求局限在这个空间中，如：原地算法、或不增加数据结构等。

四、复杂度优化方法

五、数据结构

1. 数组

1. 访问任何一个未知的数组元素，时间复杂度都为O(1)，一次操作即可，是硬件保证的；
2. 但是删除、插入数组元素，要动后面所有的元素，因此时间复杂度都为O(n)，但若插入的元素位置在数组的最后一个，则时间复杂度都为O(1)；
3. 那么如何改进数组的删除和插入呢？
   ------->链表：单链表、双链表

2. 链表

1. 单链表：每个元素，它的指针指向它的后期节点，一般用next指针，由于指针的存在，则删除和插入比较容易，时间复杂度为O(1)；但是访问较慢，时间复杂度为O(n)，从头到尾访问，与数组相反；
   
   链表每个节点node包含两部分，第一部分存储的是值data，第二个部分是指针next；

2. 双链表：有next指针和previous指针；删除和插入仍为时间复杂度为O(1)；查询仍为时间复杂度为O(n)；
   

3. 实战项目：力扣206------反转链表

3. 栈(Stack)、队列(Quene)

• 查询时间复杂度均为O(n)，插入和删除的时间复杂度均为O(1)；
• 栈(Stack) ：先进后出；
  
• 队列(Quene)： 先进先出；
  
• 实战------力扣232、225 用栈实现队列或用队列实现栈

4. 优先队列(Priority Quene)

• 正常进，按优先级出（元素大小、元素出现次数等）；
• 实现机制：堆(heap)、二叉搜索树；
• 实战------力扣703、239

5. 映射(Map)、集合(Set）

ES6中新增的存储数据的两个方式：Map、Set；虽然JS中的Object也是用（key：value）存储数据的，与hashMap类似，但相对Object的优点是：（1）纯hash，性能比Object好很多；（2）本身提供的一些方法，高效简介；（3）与java中的用法类似；

1. 映射(Map)
与Object存储数据类似（Key，Value）。

（1）映射就是存储`（键，值）数据对的数据结构`（Key，Value）。根据键（Key），寻找值（Value）；
（2）有序映射中的键具有顺序性，基于搜索树实现；
（3）无序映射中的键没有顺序性，基于哈希表实现；
（4）`key不可以重复，value可以重复`；
（5）`Map` 可以直接利用之前学习的`链表、二叉搜索树`（AVL树、红黑树）等数据结构来实现；

2. 集合(Set）

（1）不存放重复的元素；
（2）常用于去重；
（3）存放新增IP，统计新增IP 量；
（4）存放词汇，统计词汇量；
（5）集合(Set）可用动态数组、链表、二叉搜索树（AVL树、红黑树）来实现；

补充：箭头函数用法

3. 哈希表、哈希函数、哈希碰撞

• 哈希表
  哈希表可以存储各种类型的数据，当我们从哈希表中查找所需要的数据时，理想情况是不经过任何比较，一次存取便能得到所查记录，那就必须在记录的存储位置(value)和它的关键字(key)之间建立一个确定的对应关系 f，使每个关键字和结构中一个唯一的存储位置相对应。(关键字Key就是所要存储的数据，存储位置value相当于数组的索引)；

• 当然，可以把哈希表理解为一个数组，每个索引value由关键字key(数据本身)通过哈希函数得到；
  链接：https://www.jianshu.com/p/4e64fce04a38

• “散列表（Hash table，也叫哈希表），是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。

• 哈希函数
  给定表M，存在函数f(key)，对任意给定的关键字值key，代入函数后若能得到包含该关键字的记录在表中的地址，则称表M为哈希(Hash）表，函数f(key)为哈希(Hash) 函数。”

• 哈希表是数组的一种扩展，没有数组，就没有哈希表；数组中查找某个数据时，要从头开始查找，麻烦，而哈希表通过哈希函数可以直接查找到；

• 哈希碰撞
  通过哈希函数计算出的索引，即使关键字不同，索引也会有可能相同。这就是哈希冲突；

4. 实战

力扣-----242    变位词
力扣-----1      两数之和    用set解
力扣-----15     三数之和
力扣-----18     四数之和

6. 树和图

1. 字典和数组都是线性结构

（1）字典和数组，链表都是按照位置来存储数据的，例如字段是通过哈希计算下标，数组是使用下标，链表则是一个一个的链接在一起；
（2）字典和数组，链表都是 实现的几乎都是一对一的结构，既数据之间的关系的关系是一一对应。

2. 树

上述的数据结构几乎是一对一的，而实际中常常存在一对多或者是多对多的情况。

原文链接：https://blog.csdn.net/iamsongyu/article/details/101775453

3. 树的分类 和 图的遍历（深度优先遍历、广度优先遍历）

见参考链接：https://blog.csdn.net/JonyHwang/article/details/80956840

• （1）满二叉树(full binary tree)：除了叶节点，其它节点都有左右子节点；
• （2）完全二叉树(complete binary tree)：若设二叉树的高度为h，除第 h 层外（最后一层），其它各层 (1～h-1) 的结点数都达到最大个数，且最后一层节点集中在左边，这就是完全二叉树。
• （3）二叉搜索树(binary search tree)： BST 也被称为二叉排序树，是一种特殊类型的容器: 在内存中存储“项目”（例如数字，名称等）的数据结构。它们允许快速查找、添加和删除项目，所有左子树结点的元素小于根节点的数据，所有右子树结点的元素大于根节点数据。常与递归相关联。
• （4）平衡二叉树（AVL树）： 是一种特殊的二叉排序树。AVL树或者是一棵空树，或是具有以下性质的二叉树：

（1）左子树和右子树都是平衡二叉树；
（2）左子树和右子树的深度（高度）之差的绝对值不超过1。

• （5）红黑树：红黑树也是一种自平衡的二叉查找树。

	 1.每个结点要么是红的要么是黑的。（红或黑）
	 2.根结点是黑的。  （根黑）
	 3.每个叶结点（叶结点即指树尾端NIL指针或NULL结点）都是黑的。  （叶黑）
	 4.如果一个结点是红的，那么它的两个儿子都是黑的。  （红子黑）
	 5.对于任意结点而言，其到叶结点树尾端NIL指针的每条路径都包含相同数目的黑结点。（路径下黑相同）

保证红黑树满足它的基本性质，就是在调整数据结构自平衡。
而红黑树自平衡的调整操作方式就有旋转和变色两种

原文链接：https://blog.csdn.net/wannuoge4766/article/details/83998377

• （6）二叉树的遍历方式

先序遍历：先根节点->遍历左子树->遍历右子树

中序遍历：遍历左子树->根节点->遍历右子树

后序遍历：遍历左子树->遍历右子树->根节点

4. 红黑树：特性？旋转？
见参考链接：
https://blog.csdn.net/qq_36610462/article/details/83277524

7. 实战----力扣704 二分查找

[-1,0,3,5,9,12]     target=9

（1）给定一个数组，和一个目标值，在数组中查找该值，若找到返回该值对应下标；找不到，返回-1；
（2）看到排序好的数组，考虑二分搜索树。
或者，排好序数组，稍作一些变化，也可考虑二分查找方法。
但若是个完全乱序的数组，不适合二分查找。
（3）二分搜索：利用排好序的数组，直接比较数组中间（下标用mid表示）的数值与目标值，直接砍掉数组一半的值，再接着比较，时间复杂度O(logn)；
而不是一个一个搜索，时间复杂度是O(n)；

• 防止结果超过整型数的最大值；mid、left、right是数组下标
  
  
• Math.floor.mid 取mid值的向下值；
  
• 返回值为-1情况时：
  
• 考题：left、right根据题有时会等于mid值，变化，防止边界问题、死循环。