数据结构初阶

小码农！

已于 2024-03-18 20:14:34 修改

阅读量87

点赞数

文章标签：数据结构

于 2022-11-01 21:43:28 首次发布

本文链接：https://blog.csdn.net/m0_72925141/article/details/127618182

版权

1. 数据结构的基本概念

数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在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为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。

3.如何学习数据结构和算法

多敲代码
注意画图和思考

算法的时间复杂度和空间复杂度

1.算法效率

1.1 如何衡量一个算法的好坏

如何衡量一个算法的好坏呢？比如对于以下斐波那契数列

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

斐波那契数列的递归实现方式非常简洁，但简洁一定好吗？那该如何衡量其好与坏呢？

1.2 算法的复杂度

算法在编写成可执行程序后，运行时要耗费时间资源和空间(内存)资源。因此 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的，即时间复杂度和空间复杂度。

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运行所需要的额外空间。在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

2.时间复杂度

2.1 时间复杂度的概念

时间复杂度的定义：在计算机科学中， 算法的时间复杂度是一个函数（是数学中带未知函数的表达式，并不是库函数），它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例， 算法中的基本操作的执行次数，为算法 的

// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N) 
{
    int count = 0;
    for (int i = 0; i < N ; ++ i) 
    {
         for (int j = 0; j < N ; ++ j)
         {
             ++count;
         }
    }
 
    for (int k = 0; k < 2 * N ; ++ k) 
    {
         ++count; 
    }
    int M = 10;
    while (M--) 
    {
     ++count; 
    }
    printf("%d\n", count);
}

Func1 执行的基本操作次数：F(N)=N^2+2N+10

我们考虑的是当N非常大的情况下，起作用的就是N^2,后面的影响就不是很大了

实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要 大概执行次数，那么这 里我们使用大 O 的渐进表示法。

2.2 大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号

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。（只是估算不需要太精确源自CPU运算特别快）

2、在修改后的运行次数函数中，只保留最高阶项。（其他项影响不大）

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（就是系数）。得到的结果就是大O阶。（因为当N非常大系数就没有多大影响）

使用大O的渐进表示法以后，Func1的时间复杂度为：o(N^2)

通过上面我们会发现大O的渐进表示法 去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数，O是一个估算，代表是一个复杂度。

另外有些算法的时间复杂度存在最好、平均和最坏情况：

最坏情况：任意输入规模的最大运行次数(上界)

平均情况：任意输入规模的期望运行次数

最好情况：任意输入规模的最小运行次数(下界)

例如：在一个长度为N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

在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为 O(N)

2.3常见时间复杂度计算举例

实例一

// 计算Func2的时间复杂度？
void Func2(int N) 
{
     int count = 0;
     for (int k = 0; k < 2 * N ; ++ k)
     {
         ++count;
     }
     int M = 10;
     while (M--)
     {
         ++count;
     }
     printf("%d\n", count);
}

准确的是0(2N+10),估算后(N),去除系数保留最高阶

实例二

// 计算Func3的时间复杂度？
void Func3(int N, int M) 
{
     int count = 0;
     for (int k = 0; k < M; ++ k)
     {
         ++count;
     }
     for (int k = 0; k < N ; ++ k)
     {
         ++count;
     }
     printf("%d\n", count);
}

准确的是O(M+N),估算后O(N+M),同阶都不去除

实例三

// 计算Func4的时间复杂度？
void Func4(int N) 
{
     int count = 0;
     for (int k = 0; k < 100; ++ k)
     {
         ++count;
     }
     printf("%d\n", count);
}

准确的是O(100),估算后O(1),用常数1取代所有加法常数，源自CPU运算特别快

实例四

查找字符，N代表字符个数

// 计算strchr的时间复杂度？
const char * strchr ( const char * str, int character );

实例4基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)

实例五

// 计算BubbleSort的时间复杂度？
//冒泡排序
void BubbleSort(int* a, int n)
 {
     assert(a);
     for (size_t end = n; end > 0; --end)//n趟，一趟把一个数字排好
     {
               //这是一趟，要比较几次
             int exchange = 0;
             for (size_t i = 1; i < end; ++i)
             {
                 if (a[i-1] > a[i])
                 {
                     Swap(&a[i-1], &a[i]);
                     exchange = 1;
                 }
                 
             }
             if (exchange == 0)
                 break;
    }
}

最坏：N-1 N-2 N-3 1 ,等差数列和为N*(N+1)/2

基本操作执行最好N次，最坏执行了(N*(N+1)/2次，通过推导大O阶方法+时间复杂度一般看最坏，时间复杂度为 O(N^2）

实例六

二分查找，必须是有序数列

// 计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x) 
{
     assert(a);
     int begin = 0;
     int end = n-1;
     // [begin, end]：begin和end是左闭右闭区间，因此有=号
     while (begin <= end)
     {
         int mid = begin + ((end-begin)>>1);
         if (a[mid] < x)
             begin = mid+1;
         else if (a[mid] > x)
             end = mid-1;
         else
             return mid;
     }
     return -1; 
}

基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN) ps：logN在算法分析中表示是底

数为2，对数为N。有些地方会写成lgN，其他底数不能省略。

每次查找都缩小一半的空间，N/2/2/2/2/2等=1

假设查找x次，N=1*2*2*2等 N=2^x

x=logN

实例七

// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
 {
     if(0 == N)
         return 1;
     for(size-t i=0;i<N;i++)
     {
            
     }
 
     return Fac(N-1)*N; 
}

先找递归调用次数,中间有循环,看每次递归调用的执行次数累加，已经把调用次数加进去了。

实例7通过计算分析发现基本操作递归了N次，时间复杂度为O(N^2)。

如果去掉中间的循环，递归调用了N次，每次执行了常数次，累加就成了O（n)

实例八

// 计算斐波那契递归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);
 }

通过计算分析发现基本操作递归了2^N次，每次执行了常数次，时间复杂度为O(2^N)。

Fib(N-1)和Fib(N-2)是共用一块空间，空间是可以重复利用的，空间复杂度为

0 1 2 到N-2,总共调用N-1个空间，空间复杂度为O(N)

时间是一去不复返的

空间是可以重复利用

3.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 临时占用存储空间大小的量度 。

空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。主要看创建的空间

空间复杂度计算规则基本跟实践复杂度类似，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显式申请的额外空间来确定。

实例一

// 计算BubbleSort的空间复杂度？
void BubbleSort(int* a, int n) 
{
     assert(a);
     for (size_t end = n; end > 0; --end)
     {
         int exchange = 0;
         for (size_t i = 1; i < end; ++i)
         {
             if (a[i-1] > a[i])
             {
                 Swap(&a[i-1], &a[i]);
                 exchange = 1;
             }
         }
         if (exchange == 0)
             break;
     }
}

创建了2个变量，使用了常数个额外空间，所以空间复杂度为 O(1)

实例二

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
 {
     if(n==0)
         return NULL;
 
     long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
     fibArray[0] = 0;
     fibArray[1] = 1;
     for (int i = 2; i <= n ; ++i)
     {
         fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
     }
     return fibArray; 
}

开辟了N+常数个空间，空间复杂度为 O(N)

实例三

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

每次递归调用变量个数累加

递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N)

4. 常见复杂度对比

小码农！

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫