不定期更新的日常 | 算法

在数学领域里，算法是用于解决某一类问题的公式和思想。
在计算机科学领域的算法，它的本质是一系列程序指令，用于解决特定的运算和逻辑问题。

当有一个需求，别人的代码运行起来只要100ms，只消耗5MB的内存，而自己的代码运行要100s，消耗500MB的内存，由此可见程序的好坏。
可是，如果代码都还没运行，如何预知代码运行所花的时间？由于受运行环境和输入规模的影响，代码的绝对执行时间是无法预估的。但我们可以预估代码的基本操作执行次数。

一、衡量算法好坏的重要标准有两个。

• 时间复杂度（大O表示法）：执行算法的时间成本
• 空间复杂度（大O表示法）：执行算法的空间成本

1、时间复杂度

直白的讲，时间复杂度就是把程序的相对执行函数T(n) 简化成一个数量级，这个数量级可以是n、n²、n³等。

如何推到出时间复杂度？有如下几个原则

• 如果运行时间是常数量级，则用常数1表示
• 只保留时间函数中的最高阶项
• 如果最高阶项存在，则省去最高阶项前面的系数

T(n) = 3n 最高阶项为3n，省去系数3，则转化的时间复杂度为T(n)=O(n)
T(n) = 3logn … 则转化的时间复杂度为T(n)=O(logn)
T(n) = 2 只有常数量级 则转化的时间复杂度为T(n)=O(1)
T(n) = 0.5n²+0.5n 最高阶项为0.5n²，省去系数0.5，T(n)=O(n²)
比较谁的执行用时更长？
当n取值足够大，O(1)<O(logn)<O(n)<O(nlogn)<O(n²)

2、空间复杂度

常见的空间复杂度有下面几种情形

• 常量空间
  当算法的存储空间大小固定，和输入规模没有直接的关系时，空间复杂度记做O(1).

const fun1 = (n:number) => {
	const a:number = 3
}

• 线性空间
  当算法分配的空间是一个线性的集合（如数组），并且集合大小和输入规模n成正比，空间复杂度记做O(n)

const fun2 = (n:string) => {
	const arr:string[] = [n]
}

• 二维空间
  当算法分配的空间是一个二维数组，并且集合的长度和宽度都与输入规模n成正比，空间复杂度记做O(n²)
• 递归空间
  递归是一个比较特殊的场景，虽然递归代码中并没有显式的声明变量或集合，但是计算机在执行程序时，会专门分配一块内存，用来存储“方法调用栈”。纯粹的递归操作的空间复杂度也是线性的，如果递归的深度是n，name空间复杂度就是O(n)

3、时间与空间的取舍

因为计算机的运算速度和空间资源是有限的。
很多时候需要在时间复杂度和空间复杂度之间进行取舍。
比如双重for循环的时间复杂度是O(n²)，空间复杂度是O(1).

二、数据结构

1、数组

2、链表

3、栈和队列

4、散列表

5、树和二叉树

6、二叉堆

(…还没有整理完，后续补充…)