从本文开始将开启数据结构模块的分析,用C语言来了解数据结构初阶的各大模块。
前言
在将数据结构之前,要弄明白什么是数据结构,什么是数据库,什么又是算法?不能把三者混为一谈。
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。 总结一句话:在内存中管理数据——增删查改
数据库是数据管理的有效技术,是由一批数据构成的有序集合,这些数据被存放在结构化的数据表里。数据表之间相互关联,反映客观事物间的本质联系。数据库能有效地帮助一个组织或企业科学地管理各类信息资源。 总结一句话:在磁盘中管理数据——增删查改
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
总结一句话:就是为得到想要结果所需要的过程
一、算法的效率
一段代码和另一段代码通过相互对比可以得出谁的思路更好,哪一个用时更少,哪一个开辟的空间更少,这就是算法的效率,我们可以用算法的复杂度来合理推测或者估算出算法的效率,算法的效率并不是某一个值,是一个内涵的定义,相信你应该能明白!
二、算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。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
2.1时间复杂度
时间复杂度的概念: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。
总结来说:就是程序所需要运行的语句数(是一个大概值,并不是一个准确值)
for example:
// 请计算一下Func1中++count语句总共执行了多少次?
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);
}
Func1 执行的基本操作次数 :
我们让N趋向于无穷 我们就可以近似的将
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。所以我们记 O(N*N);
2.1.1
我们来做几个小练习看大家有没有弄清楚关于时间复杂度的粗略计算
// 实例1: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--)
{
++count;
}
printf("%d\n", count);
}
//答案:实例1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)
// 实例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;
}
printf("%d\n", count);
}
//答案:实例2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)
//我们也可以假设N>>M那么时间复杂度为为 O(N),假设M>>N那么时间复杂度为为 O(M)
// 实例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;
}
printf("%d\n", count);
}
//答案:实例3基本操作执行了常数次,通过推导大O阶方法,时间复杂度为 O(1)
// 实例4:计算strchr的时间复杂度? (strchr在一个字符串里找一个字符)
const char * strchr ( const char * str, int character );
//答案:实例4基本操作执行最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)
// 实例5:计算BubbleSort的时间复杂度?冒泡排序优化版
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;
}
}
//答案:实例5基本操作执行最好N次(循环一次),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)
// 实例6:计算BinarySearch的时间复杂度?(二分查找)
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
//答案:实例6基本操作执行最好1次,最坏O(logN)次,时间复杂度为 O(logN)
//实例7:计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
//答案:实例7通过计算分析发现基本操作递归了N次,时间复杂度为O(N)。
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
//答案:实例8通过计算分析发现基本操作递归了2^N次,时间复杂度为O(2^N)。
2.2空间的复杂度
空间复杂度也是一个数学表达式,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实践复杂度类似,也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
总结:需要多开辟的空间(数组or变量等)越多,空间复杂度越高
for example:
// 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;
}
}
//答案:a[]和n都是参数传入的并不是新开辟的,所以新开辟的空间只有i一个所以是O(1);
实例小练一下:
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
//答案:动态开辟了N个空间,空间复杂度为 O(N)
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
//答案: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)
对于复杂度的理解到这里已经有七八成的功力了,几个小练习会发现并不是数几个简单的循环而已,更重要的是理解:空间是可以重复利用的,不累计,但是时间是一去不复返是累计的
总结
关于数据结构初阶的第一篇复杂度的计算就到这里,尽情期待关于数据结构的下回分解!