目录
一、初识集合框架
1. 什么是集合框架
Java 集合框架 Java Collection Framework ，又被称为容器 container ，是定义在 java.util 包下的一组接口 interfaces 和其实现类 classes 。其主要表现为将多个元素 element 置于一个单元中，用于对这些元素进行快速、便捷的存储 store 、检索 retrieve 、管理 manipulate ，即平时我们俗称的增删查改 CRUD 。例如，一副扑克牌(一组牌的集合)、一个邮箱(一组邮件的集合)、一个通讯录(一组姓名和电话的映射关系)等等。
类和接口总览
2. 集合框架的重要性
使用成熟的集合框架，有助于我们便捷、快速的写出高效、稳定的代码学习背后的数据结构知识，有助于我们理解各个集合的优缺点及使用场景
腾讯-Java后台开发面经1. HashMap 了解不，介绍一下，如果一个对象为 key 时，hashCode 和 equals 方法的用法要注意什么？2. HashSet 和 HashMap 的区别是什么？3. HashMap 是线程安全的么？那需要线程安全需要用到什么？阿里巴巴-Java后台开发面经1. ArrayList 和 LinkedList 的区别是什么？2. 有了解过 HashMap 的具体实现么？3. HashMap 和 ConcurrentHashMap 哪个效率更高？今日头条-Java后台开发面经1. 编程题：判断一个链表是否是一个回文链表。2. Redis 的 zset 类型对应到 java 语言中大致是什么类型？3. hashCode 主要是用来做什么用的？
3. 背后所涉及的数据结构以及算法
（1） Collection ： 是一个接口，包含了大部分容器常用的一些方法（2） List ： 是一个接口，规范了 ArrayList 和 LinkedList 中要实现的方法ArrayList：实现了 List 接口，底层为动态类型顺序表LinkedList：实现了List 接口，底层为双向链表（3） Stack ：底层是栈，栈是一种特殊的顺序表（4） Queue ：底层是队列，队列是一种特殊的顺序表（5） Deque ：是一个接口（6）Set ：集合，是一个接口，里面放置的是 K 模型HashSet：底层为哈希桶，查询的时间复杂度为O(1)TreeSet：底层为红黑树，查询的时间复杂度为O(log2 N),关于 key 有序的（7） Map ：映射，里面存储的是 K-V 模型的键值对HashMap：底层为哈希桶，查询时间复杂度为O(1)TreeMap：底层为红黑树，查询的时间复杂度为O(log2 N)，关于key 有序
1. 泛型 Generic2. 自动装箱 autobox 和自动拆箱 autounbox3. Object 的 equals 方法4. Comparable 和 Comparator 接口
二、算法效率
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。
算法效率分析分为两种：第一种是时间效率，第二种是空间效率 。 时间效率被称为时间复杂度，而空间效率被称作 空间复杂度 。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间。
在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
- 输入：算法具有零个或者多个输入
- 输出：只要有一个或多个输出
- 有穷性：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有确定含义，不会出现二义性
- 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
设计算法：
- 正确性
- 可读性
- 健壮性
- 时间效率高
- 空间使用率低
- 实现简单
举个例子：
/**
* 斐波那契数列
* <p>
* F0=0，F1=1，Fn=F(n-1)+F(n-2)（n>=2，n∈N*）
* @param n n>=0
* @return f(n - 1) + f(n-2)
*/
public static long fibonacciSequence(long n) {
if (n < 0) {
throw new IllegalArgumentException
("fibonacci n must be more than 0 .");
}
if (n == 0) {
return 0;
}
if (n == 1) {
return 1;
}
return fibonacciSequence(n - 1) + fibonacciSequence(n - 2);
}如何衡量一个算法的复杂度呢？ 通常使用时间复杂度和空间复杂度两方面表示算法复杂度。
三、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数学函数 ，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。
2. 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,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。
3. 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。
// 请计算一下func1基本操作执行了多少次？
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--) > 0) {
count++;
}
System.out.println(count);
}分析：
Func1 执行的基本操作次数 ：
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
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
四、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 。空间复杂度不是程序占用了多少 bytes 的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟时间复杂度类似， 也使用大 O 渐进表示法 。
描述算法运行过程中额外占用的内存大小，算法本身运行所占用的空间不算在内。
函数内部执行过程中有没有产生新的空间！！！
五、常见时间复杂度和空间复杂度计算举例
// 计算func2的时间复杂度？
void func2(int N) {
int count = 0;
for (int k = 0; k < 2 * N ; k++) {
count++;
}
int M = 10;
while ((M--) > 0) {
count++;
}
System.out.println(count);
}基本操作执行了 2N+10 次，通过推导大 O 阶方法知道，时间复杂度为 O(N)
【示例2】
// 计算func3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++;
}
System.out.println(count);
}基本操作执行了 M+N 次，有两个未知数 M 和 N ，时间复杂度为 O(N+M)
【示例3】
// 计算func4的时间复杂度？
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}基本操作执行了 100 次，通过推导大 O 阶方法，时间复杂度为 O(1)
【示例4】
// 计算bubbleSort的时间复杂度？
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}基本操作执行最好 N 次，最坏执行了 (N*(N-1))/2 次，通过推导大 O 阶方法 + 时间复杂度一般看最坏，时间复杂度为 O(N^2)
【示例5】
// 计算binarySearch的时间复杂度？
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}基本操作执行最好 1次，最坏log2N次，时间复杂度为 O( log2N)
在算法分析中表示是底数 为 2 ，对数为 N ，有些地方会写成 lgN 。（建议通过折纸查找的方式理解 logN 是怎么计算出来的） ( 因为二分查找每次排除掉一半的不适合值, 一次二分剩下： n/2，两次二分剩下： n/2/2 = n/4)
【示例6】
// 计算阶乘递归factorial的时间复杂度？
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}基本操作递归了 N 次，时间复杂度为 O(N) 。
【示例7】
// 计算斐波那契递归fibonacci的时间复杂度？
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}基本操作递归了 次，时间复杂度为 O(2^N)。（建议画图递归栈帧的二叉树理解）
【示例8】
// 计算bubbleSort的空间复杂度？
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}使用了常数个额外空间，所以空间复杂度为 O(1)
【示例9】
// 计算fibonacci的空间复杂度？
int[] fibonacci(int n) {
long[] fibArray = new 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;
}动态开辟了 N 个空间，空间复杂度为 O(N)
【示例10】
// 计算阶乘递归Factorial的空间复杂度？
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}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)
总结
复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O()、O(n)、O(
)、O(
)。等学完整个数据结构，会发现几乎所有的数据结构和算法的复杂度都跑不出这几个。
1565
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
