一些刷题感悟

一、数组理论基础

数组是存放在连续内存空间上的相同类型数据的集合。

数组可以方便的通过下标索引的方式获取到下标下对应的数据。

• 数组下标都是从0开始的。
• 数组内存空间的地址是连续的

正是因为数组的在内存空间的地址是连续的，所以我们在删除或者增添元素的时候，就难免要移动其他元素的地址。

数组的元素是不能删的，只能覆盖。

二、数组的经典题目

三、时间复杂度

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间复杂度主要衡量的是一个算法的运行次数，而空间复杂度主要衡量一个算法所需要的额外空间，在摩尔定律下，现在计算机的存储容量达到很高的程度，反而我们现在最需要关注的就是一个算法的时间效率。

一个算法源文件(.c)经过编译、链接后生成可执行文件(.exe)后，运行时会对计算机造成一定的资源消耗，时间消耗是对CPU的处理速度，空间消耗是对内存栈区(Stack)的空间。

总结：衡量一个算法的好坏，就是从时间和空间两个维度来衡量。

3.1定义

• 时间复杂度（Time complexity）是一个函数，它定性描述了算法的运行时间。
• 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，为算法的时间复杂度。
• 时间复杂度常用大写字母O来表示，不包括这个函数的低阶项和首项系数。

3.2 大O渐进表示法

大O符号（Big O notation）：用于描述函数渐进行为的数学符号。

O()括号里面的数（大多数情况下）表达的是这个算法的量级，大O是一个估算，并不是准确的执行次数。

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、如果最高阶项系数存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

时间复杂度大小比较：

3.3 时间复杂度的计算

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：任意输入规模的最多运行次数
• 平均情况：任意输入规模的期望运行次数
• 最好情况：任意输入规模的最少运行次数

注：在实际中一般关注的是算法的最坏运行情况。

四、空间复杂度

空间复杂度是一个数学表达式，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 ，也就是额外占取的空间的大小。

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。

空间复杂度计算规则基本跟时间复杂度类似，使用大O渐进表示法。

4.1 空间复杂度的计算

空间复杂度基本上是O(1)或者O(N)，其它的空间复杂度不常见。假设开一个N*N的数组，那么它的空间复杂度是O(N^2)。结构体不讨论结构体个数，只看整体。不看具体，只看量级。

5201314	O(1)	常数阶
3log(2)n+4	O(log(2)n)	对数阶
3n+4	O(n)	线性阶
2n+3nlog(2)n+14	O(nlog(2)n)	nlogn阶
3n^2+4n+5	O(n^2)	平方阶
4n^3+3n^2+4n+5	O(n^3)	立方阶
2^n	O(2^n)	指数阶