数据结构 绪论

一.数据结构起源

   1968年，美国的Donald E.Knuth教授在其所写的《计算机程序设计艺术》中，系统的阐述了数据的逻辑结构和存储结构及其操作，开创了数据结构的课程体系。数据结构是一门研究非数值计算的程序设计问题中的操作对象，以及他们之间的关系和操作等相关问题的学科。

二.基本概念和术语

   数据 data：描述客观事物的符号。是计算机可以操作的对象，具备两个前提：可以输入到计算机，能被计算机程序处理。对于整型，实数型等数值类型，可以进行数值计算。对于声音，图像，视频等非数值类型，可以通过编码的手段转换成字符数据来进行计算机处理。

   数据元素 data element：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。

   数据项 data item：数据元素不可分割的最小单位。比如书目信息是一个数据元素，而书名，作者名是数据项。

   数据对象 data object：性质相同的数据元素的集合，是数据的子集。比如整数数据对象，字符数据对象。

   数据结构 data structure：相互之间存在一种或多种特定关系的数据元素的集合。

三.逻辑结构与物理结构

  数据结构其实就是指数据元素之间的相互逻辑关系。分为四种：集合结构，线性结构，树形结构，图形结构。

  物理结构是指数据的逻辑结构在计算机中的存储形式。分为两种：顺序存储[数据元素存放在地址连续的存储单元里，数据间的逻辑关系和物理关系是一致的]，链式存储[数据元素存放在任意的存储单元里，可以连续也可以不连续]。

  

四.抽象数据类型

  数据类型 data type：是指一个值的集合和定义在这值集合上的一组操作的总称。数据类型按照值的不同进行划分，用来说明变量或表达式的取值范围和所能进行的操作。

  原子类型：不可再分解的基本类型。比如整型，实型，字符型。

  结构类型：由若干个类型组合而成，是可以再分解的。比如整型数组。

  抽象数据类型 abstract data type：指一个数学模型以及定义在该模型上的一组操作。其定义仅取决于他的一组逻辑特性，与其在计算机内部如果表示和实现无关。抽象数据类型还可以用户自己定义，可用固有的数据类型来表示和实现，可利用已经实现的操作来进行新的操作。

五.算法定义和特性

  算法：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。

  输入输出：算法具有零个或多个输入，至少需要一个或多个输出。

  有穷性：在执行有限的步骤之后，自动结束而不会出现无限循环，并且每一个步骤在可接受的时间内完成。

  确定性：算法的每一步骤都具有确定的含义，不会出现二义性。

  可行性：每一步都必须是可行的，每一步都能通过执行有限次基本操作完成。

六.算法设计的要求

  正确性：1.没有语法错误。2.对于合法输入数据产生满足要求的输出结果。3.对于非法的输入数据可以得出满足规格说明的结构。4.对于精心选择的甚至刁难的测试数据都有满足要求的输出要求。

  可读性：写代码是为了让计算机执行，也为了便于他人阅读，理解和交流。

  健壮性：当输入数据不合法时，算法也能做出相关处理，而不是产生异常或莫名其妙的结果。

  时间效率高存储量低：算法执行时间短，程序运行所占用的内存或外部硬盘存储空间小。

七.算法效率的度量

  事后统计方法：需要通过设计好的测试程序和数据，利用计算机计时器对不同算法编制的程序的运行时间进行比较。但这种方法需要事先编好程序，费时费力。时间的比较又依赖于计算机硬件和软件等环境因素。算法的测试数据设计也很困难，因为程序的运行时间往往还与测试数据的规模有关。

  事前分析估算方法：消耗时间取决于1.算法采用的策略方法。2.编译产生的代码质量。3.问题的输入规模。4.机器执行指令的速度。

八.算法时间复杂度

  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)总是大于g(n)，那么我们说f(n)的渐进增长快于g(n)，算法f的时间复杂度高于g。函数中的常数和其他次要项可以忽略，更应该关注最高阶项的阶数。

  算法的时间复杂度：也就是算法的时间度量，用语句总的执行次数来描述，记做：T(n)=O(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，称为算法的渐近时间复杂度。

  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为1，则去除与这个项相乘的常数。

  常数阶：与问题规模大小无关，即与n无关，执行时间恒定的算法，称之为具有O(1)的时间复杂度。

  线性阶：循环n次，循环体内是O(1)的步骤序列。

  对数阶：循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。 这里若循环次数设为x，则 2^x = n.因此循环次数为 x = log(n)。

cout = 1;  
while(count < n)  
{  
  count = count * 2;  
  /*时间复杂度为O(1)的步骤序列*/
}    

  平方阶： 总的执行次数为n+(n-1)+(n-2)+...+1 = (n^2+n)/2。因此时间复杂度为O(n^2)。

int i,j;  
for(i=0;i
{  
  for(j=i;j
  {  
      /*时间复杂度为O(1)的步骤序列*/
   }  
}  

   常见的时间复杂度：O(1)<O(log(n))<O(n)<O(nlog(n))<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)

   最坏情况与平均情况：没有特殊说明情况下，都是指最坏时间复杂度。

九.算法空间复杂度：

   一个程序在计算机上执行时，除了需要存储程序本身的指令，常数，变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需要的辅助单元相对于输入数据量n是个常数，则称此算法为原地工作，空间复杂度为O(1)。