数据结构-绪论

1.什么是数据结构？
数据结构（Data Structure）是计算机存储，组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。

2.什么是算法？
算法（Algorithm） 就是定义良好的计算过程，它取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。

3.算法效率
算法效率分析分为两种：时间效率（时间复杂度）和空间效率（空间复杂度）。

4.时间复杂度
时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。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。

5.空间复杂度
空间复杂度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 。

6.大O的渐进表示法
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。
大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
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。

大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外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：任意输入规模的最大运行次数(上界)
 平均情况：任意输入规模的期望运行次数  
 最好情况：任意输入规模的最小运行次数(下界)
 平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N）

常见时间复杂度计算举例：
实例1

int Func1(int N) 
{ 
	int count = 0; 
	for (int i = 0; i < N ; ++ i) 
	{    
		for (int j = 0; j < N ; ++ j)    
		{        
			++count;    
		} 
	} 
	for (int k = 0; k < 2 * N; ++k)
	{
		++count;
	}
	int M = 10;
	while (M--)
	{
		++count;
	}
	return count;
}

Func1的时间复杂度为：O(N^2)

实例2

// 计算Func2的时间复杂度？ 
void Func3(int N, int M) 
{ 
    int count = 0;
    for (int k = 0; k < M; ++ k) 
    {    
        ++count; 
    }
    for (int k = 0; k < N ; ++ k) 
    {    
        ++count; 
    }
    printf("%d\n", count); 

Func2的时间复杂度为 O(N+M)

实例3

// 计算BinarySearch的时间复杂度？ 
int BinarySearch(int* a, int n, int x) 
{ 
   assert(a);
   int begin = 0; 
   int end = n-1;
   while (begin < end) 
   {    
       int mid = begin + ((end-begin)>>1);    
       if (a[mid] < x)        
       begin = mid+1;    
       else if (a[mid] > x)        
       end = mid;    
       else        
       return mid; 
    }
    return -1;
} 

时间复杂度为 O(logN) ps：logN在算法分析中表示是底 数为2，对数为N

常见空间复杂度计算举例：
实例1

// 计算BubbleSort的空间复杂度？ 
void BubbleSort(int* a, int n) 
{    
    assert(a);    
    for (size_t end = n; end > 0; --end)    
    {        
        int exchange = 0;        
        for (size_t i = 1; i < end; ++i)        
    {            
    if (a[i-1] > a[i])            
    {                
        Swap(&a[i-1], &a[i]);                
        exchange = 1;            
    }        
    if (exchange == 0)            
    break;    
    } 
}

实例2

// 计算Fibonacci的空间复杂度？ 
long long* Fibonacci(size_t n) 
{        
    if(n==0)             
    return NULL;            
    long long * fibArray = new long long[ n+1];        
    fibArray[0] = 0;        
    fibArray[1] = 1;
    for (int i = 2; i <= n ; ++i)          
    {                   
         fibArray[i ] = fibArray[ i - 1] + fibArray [i - 2];         
    }
    return fibArray ; 
 }

实例3

// 计算阶乘递归Factorial的空间复杂度？ 
long long Factorial(size_t N) 
{    
    return N < 2 ? N : Factorial(N-1)*N; 
}

实例1使用了常数个额外空间，所以空间复杂度为 O(1)
实例2动态开辟了N个空间，空间复杂度为 O(N)
实例3递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N)