数据结构:相互之间存在的一种或多种特定关系的数据元素的集合。
(数据结构是研究非数值计算的程序设计问题中的操作对象,以及之间的关系和操作等问题的学科)
数据:在计算机科学中,数据指能输入到计算机中并被计算机程序识别和处理的符号的集合。
数据元素:是组成数据的,有一定意义的基本单位,在计算机中通常作为整体处理,也叫记录。
数据项:一个元素可以由若干个数据项组成。数据项是数据不可分割的最小单位。
数据对象:是性质相同的数据元素的集合,是数据的子集。
其中,同数据元素之间不是独立的,而是存在一种特定的关系,这种关系称为结构。
逻辑结构与物理结构
逻辑结构:数据对象中数据元素之间的特定关系。分为集合结构,线性结构,树形结构,图形结构。
(将每一个数据元素看做为一个节点,用圆圈表示;元素之间的逻辑关系用节点的连线表示。)
物理结构:数据的逻辑结构在计算机中的储存形式。分为顺序存储结构和链式存储结构。
顺序存储结构:是把数据存放在地址连续的存储单元里,其数据间的逻辑关系和物理关系是一致的。
链式存储结构:把数据存放在任意的存储单元里,可以连续,也可以不连续。(这时候需要用指针指向数据元素的地址)
抽象数据类型:是指一个数学模型及定义在该模型上的一组操作。抽象的意义在于数据类型的数学抽象特性。体现了程序设计中问题分解,抽象和信息隐藏的特性。
- 信息隐藏:分为共有和私有,可以减少接口复杂性,从而减少出错的机会。
- 数据封装:数据与操作封装在一起,从语义上更加完整。
- 使用和实现分离:只能通过接口上的操作来访问数据,使修改局部化。
通俗的讲,执行一段代码所需要的资源(主要是花费的时间以及占用的空间)
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)=O(f(n)).
它表示随问题规模n的增长,算法执行时间的增长率和f(n)的增长率相同,称做算法的渐进时间复杂度,简称时间复杂度。其中f(n)是问题规模n的某个函数。
大O表示法:
推导大O阶:
- 用常数1取代运行时间中的所有加法常数
- 在修改后的运行次数函数中,只保留最高阶项
- 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。
常用的时间复杂度所耗费的时间从小到大:
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。
最好的时间复杂度:在最理想的情况下,执行代码所需的时间复杂度,执行了最少多少次。
最差的时间复杂度:在最糟糕的情况下,执行代码所需的时间复杂度,执行了最多多少次。
一般情况下,都是指最坏的时间复杂度。
例题:
1.
x = 3;
while (x<n/3)
{
x*=3;
/* code */
}
x的取值是首项为9,公比为3的等比数列,设执行次数为t,则3^t+1<n/3
所以t<log(3)n/3-1,所以时间复杂度为O(log(3)n)
2.
x = n;
y = 0;
while (x>(y+1)*(y+1))
{
y++;
/* code */
}
语句 y++;的执行次数为n (y + 1)*(y + 1)),有y<=n^1/2-1,所以时间复杂度为O(n1/2)
3.
int funtion(int n)
{
int i = 0,temp = 0;
while (temp < n)
{
temp += ++i;
/* code */
}
return i;
}
所以时间复杂度为O(n^1/2)
算法的时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。
随着 n 的变化,所需开辟的内存空间并不会随着 n 的变化而变化,空间复杂度 O(1)。
随着 n 的变化,所需开辟的内存空间会随着 n 的变化而变化,空间复杂度 O(n)。