1 ＞ 数据结构与算法 绪论

基本概念

1. 数据：数据是信息的载体，是描述客观事物属性的数、字符以及所有能输入到计算机中并被计算机程序识别和处理的符号的集合。数据是计算机程序加工的原料。
2. 数据元素、数据项：数据元素是数据的基本单位，通常作为一个整体进行考虑。一个数据元素可以由若干数据项组成，数据项是构成数据元素的不可分割的最小单位。
3. 数据对象：是具有相同性质的数据元素的集合，是数据的一个子集。
4. 数据结构：是相互之间存在一种或多种特定关系的数据元素的集合。（描述不同数据元素之间的相互关系）
   $$数据项\subseteq 数据元素\subseteq 数据对象\subseteq 数据$$

数据结构三要素

1. 逻辑结构：（定义数据结构）（逻辑结构可以独立于存储结构，反之不行）

   1. 集合
   2. 线性结构：数据元素之间是一对一关系，每个元素都有唯一前驱（除开第一个元素）和唯一后继（除开最后一个元素）。
   3. 树形结构：元素之间存在一对多关系。
   4. 图结构：元素之间存在多对多关系。

   线性结构：顺序表、链表、栈、队列、串、广义数组

   非线性结构：树、图、set、map、字典、散列表

2. 数据的运算：针对某种逻辑结构，结合实际需求来定义基本运算。（定义数据结构）

3. 物理结构（存储结构）：如何用计算机实现这种数据结构。（实现数据结构）（存储数据不仅要存储数据，还要存储它们之间的关系）

   1. 顺序存储：逻辑上相邻的元素存储在物理上相邻的位置。
   2. 链式存储：逻辑上相邻的元素在物理存储可以不相邻。
   3. 索引存储：逻辑上相邻的元素在物理上可以不相邻。存储信息的同时建立索引表。索引表的每一项为索引项，索引项一般形式为 关键字+地址。
   4. 散列存储（Hash存储）：根据元素关键字直接计算元素存储地址。

4. 数据的存储结构会影响 存储空间分配的方便速度 和 对数据的运算速度。

5. 运算的定义是针对逻辑结构的；运算的实现是针对存储结构的。

6. 数据类型：

   1. 原子类型：值不可再分的数据类型。eg： int、bool 类型
   2. 结构类型：值可以再分解为若干的数据类型。eg： struct 类型

7. 抽象数据类型（ADT）：抽象数据组织以及与之相关的操作。

算法

1. 程序 = 数据结构 + 算法
2. 算法：是对特定问题求解步骤的一种描述，它是指令的有限序列。
3. 算法特性：
   1. 有穷性：必须在有限步骤后结束。
   2. 确定性：其中每条指令必须由确切的含义，相同输入只能得出相同输出。
   3. 可行性：算法的操作必须通过已经实现的运算来实现。
   4. 输入 / 输出：有零个或多个输入，至少有一个输出。
4. “好“算法的特质：
   1. 正确性：能正确求解问题。
   2. 可读性：人们能很好理解。
   3. 健壮性：能适当对非法数据做出反映。
   4. 高效率和低存储需求：时间复杂度和空间复杂度低。
5. 时间复杂度：事前预估算法的时间开销 T(n) 与问题规模 n 的关系。

   1. 算法复杂度数量级：

      $O(1)<O({\log }_{2}n)<O(n)<O(n{\log }_{2}n)<O(n^2)<O(n^t)<O(2^n)<O(n!)<(n^n)$

   2. 可以忽略时间开销表达式中的低阶部分。

      1. 加法规则：$T(n)=3n+3\Rightarrow T(n)=O(n)；T(n)=3n^2+3\Rightarrow T(n)=O(3n^2)$
      2. 乘法规则：$T(n)=n^3+n^2{\log }_{2}n=O(n^3)+O(n^2{\log }_{2}n)$

   3. 一般度量最坏和平均复杂度情况。

   4. 对于一个基本操作，一般只关注最深层的循环。

   5. eg：斐波那契数列：$O(2^n)$

6. 空间复杂度：衡量内存开销与问题规模 n 之间的关系。
   1. 算法原地工作：算法执行所需要的辅助空间相对于输入的数据量来说是一个常数，空间复杂度为$O(1)$。
   2. 只关注存储空间大小和问题规模相关的变量。eg：当传入一个数组（含n个数），数据类型为int，数组所占存储空间大小为4n，空间复杂度为$O(n)$。
   3. 递归调用带来内存开销，每调用一次传入相应的数据会占用一定的内存空间。一般情况，空间复杂度就等于递归调用的深度。