第一章：数据结构基本概念

（1）什么是数据结构
定义：数据结构是计算机存储、组织数据的方式。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。
解决问题方法的效率
跟数据的组织方式有关
跟空间的利用效率有关
跟算法的巧妙程度有关
结构（structure）：在任何问题中，数据元素都不是孤立存在的，而是在它们之间存在这某种关系，这种数据元素之间关系的不同特性，通常有下列四类基本结构：
（1）集合：结构中的数据元素之间处理“同属于一个集合”的关系外，别无其他的关系
（2）线性结构：结构中的数据元素之间存在一个对一个的关系
（3）树形结构：结构中的数据元素之间存在一个对多个的关系
（4）图状结构或网状结构：结构中的数据元素之间存在多个对多个的关系
（2）什么是算法
定义：一个算法是解决某一类问题的步骤的描述。一般而言，算法应该符合以下五项要求：
(1) 输入：它接受一些输入（有些情况下不需要输入）；
(2) 输出：至少产生一个输出；
(3) 确定性：算法的每一步必须有充分明确的含义，不可以有歧义；
(4) 有限性：算法是一个有限指令集，并一定在有限步骤之后终止；
(5) 可行性：算法的每一步必须在计算机能处理的范围之内；
时间复杂度

例题1.5分析“二分法”

int binarySearch(int List[], int min, int max, int x )
{
    // List[]存储原始序列，min、max分别为序列的起始位置，x存储待查找的数
    int  M;
    M = (max + min) / 2; // 二分法是先找到序列的中点List[M]，与X进行比较，若相等则返回中点下标
    if (x < List[0] || x > List[n])
    {
        return ERROR;
    }
    else
    {
        if (x == List[M])//即若有List[i]=X，则返回i；否则返回-1表示没有找到
        {
            return M;
        }
        else if (x < List[M])//若List[M]<X，则在右边的子系列中查找X。
        {
            max = M - 1;
            return binarySearch(List[], min, max, x);
        }
        else//若List[M]>X，则在左边的子系列中查找X
        {
            min = M + 1;
            return binarySearch(List[], min, max, x);
        }
    }
}

实例1.1最大子列和问题
给定K个整数组成的序列{ N​1​​, N​2​​, …, N​K​​ }，“连续子列”被定义为{ N​i​​, N​i+1​​, …, N​j​​ }，其中 1≤i≤j≤K。“最大子列和”则被定义为所有连续子列元素的和中最大者。例如给定序列{ -2, 11, -4, 13, -5, -2 }，其连续子列{ 11, -4, 13 }有最大的和20。现要求你编写程序，计算给定整数序列的最大子列和。本题旨在测试各种不同的算法在各种数据情况下的表现。各组测试数据特点如下：
数据1：与样例等价，测试基本正确性；
数据2：102个随机整数；
数据3：103个随机整数；
数据4：104个随机整数；
数据5：105个随机整数；
输入格式:
输入第1行给出正整数K (≤100000)；第2行给出K个整数，其间以空格分隔。
输出格式:
在一行中输出最大子列和。如果序列中所有整数皆为负数，则输出0。
输入样例:6
-2 11 -4 13 -5 -2
输出样例:
20
四种方法，时间复杂度不同
第一种：三层循环，时间复杂度最大，为(n)3.

int  MaxSubsequenceSum ( const int A[ ],  int  N )
{
    int  ThisSum,  MaxSum,  i,  j,  k;
    MaxSum = 0;   /* 初始化最大子列和 */
    for( i = 0; i < N; i++ )  /* i是子列左端位置 */
        for( j = i; j < N; j++ )     /* j是子列右端位置*/
        {
            ThisSum = 0;       /* ThisSum是从A[i]到A[j]的子列和 */
            for( k = i; k <= j; k++ )
                ThisSum += A[ k ];
            if ( ThisSum > MaxSum ) /* 如果刚得到的这个子列和更大 */
                MaxSum = ThisSum;  /*则更新结果*/
        }  /* i， j 循环结束  */
    return  MaxSum;
}

*第二种：*两层循环，时间复杂度为n(2)

int  MaxSubsequenceSum ( const int A[ ],  int  N )
{
    int  ThisSum,  MaxSum,  i,  j;
    MaxSum = 0;   /* 初始化最大子列和  */
    for( i = 0; i < N; i++ )         /* i是子列左端位置 */
    {
        ThisSum = 0;          /* ThisSum是从A[i]到A[j]的子列和 */
        for( j = i; j < N; j++ )     /* j是子列右端位置*/
        {
            ThisSum += A[ j ];
            /* 对于*斜体样式*相同的i，不同的j，只要在j-1次循环的基础上累加1项即可 */
            if ( ThisSum > MaxSum )  /* 如果刚得到的这个子列和更大 */
                MaxSum = ThisSum;  /* 则更新结果 */
        }  /* j循环结束 */
    }  /* i循环结束 */
    return  MaxSum;
}

第三种：分治法

第四种：在线处理，时间复杂度O（n）；

#include<stdio.h>
int A[100000];
int max(int a[],int N)
{
    int Thissum=0,maxsum=0;
    int i;
    for(i=0; i<N; i++)//遍历数组
    {
        Thissum+=a[i];//一个一个的加
        if(Thissum>maxsum)
            maxsum=Thissum;
        else if(Thissum<0)//如果前面的多个数组相加为负数，则舍去。
            Thissum=0;
        }
    return maxsum;
}
int main()
{
    int n,i,t;
    while(scanf("%d",&n)!=EOF)
    {
        for(i=0; i<n; i++)
        {
            scanf("%d",&A[i]);
        }
        t=max(A,n);
        printf("%d\n",t);
    }
    return 0;
}