数据结构和算法绪论

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，以及它们之间的关系和操作等相关问题的学科。

• 程序设计 = 数据结构 + 算法

数据结构就是关系，没错，就是数据元素相互之间存在的一种或多种特定关系的集合。

数据类型：是指一组性质相同的值的集合及定义在此集合上的一些操作的总称。

• 原子类型：是不可以再分解的基本类型，包括整型、实型、字符型等。

• 结构类型：自若干个类型组合而戚，是可以再分解的。例，整型数组是由若干整型数据组成的。

抽象：是指抽取出事物具有的普遍性的本质。

抽象数据类型 (Abstract Data Type，ADT) : 是指一个数学模型及定义在该模型上的一组操作。

数据结构的分类：逻辑结构、物理结构。
• 逻辑结构：是指数据对象中数据元素之间的相互关系，也是我们今后最需要关注和讨论的问题。
• 物理结构：是指数据的逻辑结构在计算机中的存储形式。

从逻辑上可以把数据结构分为线性结构和非线性结构，主要包括：
• 集合结构：集合结构中的数据元素除了同属于一个集合外，它们之间没有其它关系
• 线性结构：线性结构中数据元素之间是一对一的关系
• 树形结构：树形结构中的数据元素之间存在一种一对多的层次关系
• 图形结构：数据元素是多对多的关系

数据的物理结构又称之为存储结构包括以下两种存储方式：
• 顺序存储：是把数据元素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：是把数据元素存放在任意的存储单元里，这组存储单元可以是连续的，也可以是不连续的。

算法：算法是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。

算法具有五个基本特征：输入、输出、有穷性、确定性和可行性。
• 输入：算法具有零个或多个输入。
• 输出：算法至少有一个或多个输出。
• 有穷性：指算法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：算法的每一个步骤都具有确定的含义，不会出现二义性。算法在一定条件下，只有一条执行路径，相同的输入只能有唯一的输出结果。算法的每个步骤都应该被精确定义而无歧义。
• 可行性：算法的每一步都必须是可行的，也就是说，每一步都能够通过执行有限次数完成。

算法设计的要求：

• 正确性
算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需求、能够得到问题的正确答案。
大体分为以下四个层次：
算法程序没有语法错误。
算法程序对于合法输入能够产生满足要求的输出。
算法程序对于非法输入能够产生满足规格的说明。
算法程序对于故意刁难的测试输入都有满足要求的输出结果。

• 可读性
算法设计另一目的是为了便于阅读、理解和交流。
写代码的目的，一方面是为了让计算机执行，但还有一个重要的目的是为了便于他人阅读和自己日后阅读修改。

• 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、崩溃或莫名其妙的结果。

• 时间效率高和存储量低

算法的度量方法：
• 事后统计方法：这种方法主要是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，从而确定算法效率的高低。
缺陷：必须依据算法事先编制好测试程序，通常需要花费大量时间和精力。

• 事前分析估算方法：在计算机程序编写前，依据统计方法对算法进行估算。

一个高级语言编写的程序在计算机上运行时所消耗的时间取决于下列因素：
• 算法采用的策略，方案
• 编译产生的代码质量
• 问题的输入规模
• 机器执行指令的速度
抛开这些与计算机硬件、软件有关的因素，一个程序的运行时间依赖于算法的好坏和问题的输入规模。（所谓的问题输入规模是指输入量的多少）。
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)总是比g(n)大，那么，我们说f(n)的增长渐近快于g(n)。

• 判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项（最高项）的阶数。

算法时间复杂度的定义：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的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

• 这样用大写O()来体现算法时间复杂度的记法，我们称之为大O记法。
• 一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。
分析一个算法的时间复杂度、即如何推导大O阶呢？：
• 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。
• 得到的最后结果就是大O阶。

常数阶、线性阶、平方阶、对数阶
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2 ) < O(n^3 ) < O(2^n ) < O(n!) < O(n^n)

O(1)常数阶、O(logn)对数阶、O(n)线性阶、O(n^2 )平方阶、O(2^n )指数阶、O(n!)阶乘阶

最坏情况：运行时间是一种保证，那就是运行时间将不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。

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。
算法空间复杂度：算法的空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(o)= O(f(o)) ，其中， 0 为问题的规模， f(n)为语句关于 n 所占存储空间的函数。

一般情况下，一个程序在机器上执行时，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。若算法执行时所帘的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为 0(1) 。

使用"时间复杂度"来指运行时间的需求，使用"空间复杂度"指空间需求。