数据结构之【什么是数据结构与时间复杂度详解】

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。

数据元素：是数据的基本单位，在计算机中通常作为一个整体进行考虑和处理。在有些情况下，数据元素也称为元素、结点、记录等。数据元素用于完整地描述一个对象，如一个学生记录，树中棋盘的一个格局（状态）、图中的一个顶点等。

数据项：是组成数据元素的、有独立含义的、不可分割的最小单位。例如，学生基本信息表中的学号、姓名、性别等都是数据项。

什么是算法

算法(Algorithm):就是定义良好的计算过程，他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。

时间复杂度

1.时间复杂度的概念

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。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。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。

2.大O渐进表示法

//计算一下fun1 一共执行了多少次

void 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;
 }
printf("%d\n", count);
}

Fun1（）一共执行的次数
F(N)= N^2+ 2*N+ M

N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010

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。得到的结就是大O阶

所以Fun1() 最终结果就是：O(N^2)
【这里说一下，博主自己认为这就像高数极限当中的无穷大，总是高阶在起作用，例如上面次数中N^2就属于最高阶】

通过上面我们会发现大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)

例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
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)

常见时间复杂度算法举例
eg1：

void Func2(int N)
 {
  int count = 0;
  for (int k = 0; k < 2 * N ; ++ k)
  {
   ++count;
  }
  int M = 10;
  while (M--)
  {
    ++count;
  }
   printf("%d\n", count);
}

Fun2()= 2*N+10
根据方法2与方法3 所以它的时间复杂度是 ： O(N)

eg2:

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);
}

Fun3 () =M + N

这个就很有意思了有些人可能会认为是 O(N) ， 但是实际时间复杂度是O(M+N)
原因是： 不清楚M与N 谁更大一些（他俩是同阶的同阶应该相加），如果M >> N那么时间复杂度就是 O(N), M >> N同理。

eg3:

void Func4(int N) 
{
 int count = 0;
 for (int k = 0; k < 100; ++ k) 
 {
 ++count; 
 }
 printf("%d\n", count);
}

Fun4()=100
时间复杂度就是： O(1) 【对应方法一，O(1) 代表的意思是常数次，而不是一次】

eg4:

//函数的意思是在字符串里查找一个字符
const char * strchr ( const char * str, int character )
{
  while(* str !='\0')
  {
     if(*str==character)
     return str;
     ++str;
  }
}

时间复杂度计算中，通常假设数组或者字符串给出的长度为 N ，面对这种情况，看最坏，默认时间复杂度最坏就是O(N)

eg5:

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; 
 }
}

求冒泡排序的时间复杂度 ，它的时间复杂度就是 O(N^2)
BubbleSort=n-1 + n-2 +n-3 + … + 2 + 1 = n^2/2
以上的冒泡是升序排，按照最坏的情况 ，最大的数字交换到最后需要 n-1 次，以此类推

所以时间复杂度就是 O(N^2) ，系数忽略

eg6:

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;
 }

最好的情况就是O(1)
最坏的情况：
二分查找相当于查找一次 /2 ,直到找到最终的需要的结果
1X2X2X2X2…=N;
N/2/2/2/2/2/2…=1;
找了x次就除了2 x次
2^x=N
N=log2N （log以2为底N的对数）
所以它的时间复杂度就是 O(log2N) 【时间复杂度里习惯吧log2N写作 logN】

eg7:

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

递归的时间复杂度=递归次数*每次递归函数中次数

可以看出递归函数中次数为1 ，只有一个三目运算符
N递归的次数为
F(N)
F(N-1)
F(N-2)
…
F(1)
一共递归了 N次 ，所以它的时间复杂度就是 O(N*1)

eg8:

// 计算斐波那契递归Fibonacci的时间复杂度？
long long Fibonacci(size_t N) {
return N < 2 ? N : Fibonacci(N-1)+Fibonacci(N-2);
}

递归函数中次数为 2 (三目运算与加法运算),可视为1
fibonacci（N）=fibonacci（N-1）+fibonacci（N-2）

递归的次数如下图：

所以递归的次数为2^n-1 ,时间复杂度为 : O(2^n)

但是这个算法的时间复杂度太高了，在实际中没有什么意义，建议直接改为循环，时间复杂度直接降为O(N)

优化如下：

#include<stdio.h>
int fib(int n)
{
	if (n < 1)
	{
		return 0;
	}
	if (n == 1 || n == 2)
	{
		return 1;
	}
	int f1 = 1;
	int f2 = 1;
	int temp = 0;
	for (int i = 3;i <= n;i++)
	{
		temp = f2;
		f2 = f1 + f2;
		f1 = temp;
	}
	return f2;
}

int main()
{
	int n = 0;
	scanf("%d", &n);
	printf("%d\n", fib(n));
}

最后博主在提醒一下，时间复杂度与其函数所传值是无关的，就拿上述eg1所示不会因为将N传值为1（Fun（1））而改变它的时间复杂度。