一、二章（概述+算法分析）

第一章 概述

104 算法和计算复杂性

1.三个问题

what——分类问题
why——证明问题
how——过程问题（即算法、数据结构）

2.计算复杂性

（1）概念：基于有穷观点的能行方法的可计算概念1）概念：基于有穷观点的能行方法的可计算概念
（2）关心：能否在有限的资源（时间/空间）解决问题
不关心：具体要花费多少计算的步骤或者存储空间
注：有些问题即使有相应的解法，却没有什么可行性

105 突破计算极限

方式：例如分布式计算

106 抽象与现实

1. 抽象：即从“逻辑“和”物理“两个不同的层面上去看待问题
2. 逻辑定义接口，物理完成实现。逻辑上的接口由物理层来实现
3. 编程是算法的一种物理实现。
   算法➕数据结构 = 程序
4. 语言为我们提供了“过程”和“数据”，一般来说“过程”是指控制语句，“数据”指的是基本的数据类型。

107 为什么研究数据结构与算法

5. ADT抽象数据类型
   
   （1）用户只要关心这些数据类型能否提供可用的接口，而不必去担心这些数据类型是怎么完成和实现的。实现和操作相当于是物理层的实现，用户使用的是逻辑层的接口。
   （2）ADT是一种逻辑的描述，不涉及怎么实现，并且对数据的一些处理方法的实现隐藏起来，这就是一种“封装”，可以降低算法的复杂度。
   （3）同一个ADT可以有许多不同的物理实现，意味着是逻辑上的稳定性，物理上的多样性，逻辑稳定，物理多变。
   总结：ADT可以有多种实现，接口独立于实现，层层抽象可以降低算法的复杂度。

第二章 算法分析

201 算法分析

可以根据计算资源的消耗来判断一个算法的性能，计算资源分为空间（存储空间、内存）和时间（执行时间）。

202 大O表示法

大O表示法：O(f(n))，其中f(n)是数量级函数中随着n（问题规模）的增大而增长最快的主导部分（不带系数）。

205/206 python数据类型的性能

80/20原则：让80%的功能使用率只有20%，让20%的功能使用率有80%。总的来说，是让最常用的方法性能最好。

python数据类型时间复杂度：https://wiki.python.org/moin/TimeComplexity