注:本篇取自比特正式课,是数据结构与算法(C语言)的正式开始
目录
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。
数据结构 | 在内存中管理数据 | 速度快,带电存储 |
数据库 | 在磁盘中管理数据 | 速度慢,不带电存储 |
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。
时间复杂度
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。即:找到某条基本语句与问题规模 N 之间的数学表达式,就是算出了该算法的时间复杂度。
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。得到的结果就是大 O 阶。
注: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)
这里面的N是一种相等的参数,与总次数相关的参数,它可能是循环次数或者是元素个数或者是递归次数
时间复杂度计算例题
例一
答:F(N)=2N+10=> O(N)
例二
答:F(N)=M+N=> 1.N远大于M O(N)2.M远大于N O(M)3.N和M差不多大 O(N)或O(M)
例三
答:F(N)=100=> O(1)
例四
const char * strchr ( const char * str , int character ){while(*str){if(*str== character )return str;++str;}}
最好情况: 1 次找到最坏情况: N 次找到平均情况: N/2 次找到一般取最坏情况O(N)
例五
答:n-1n-2.....321F(n)=(n(n-1))/2O(n^2)
注:时间复杂度不能数代码中的循环,根据思想灵活计算
面试题
例六
// 计算 BinarySearch 的时间复杂度?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 ;elsereturn mid ;}return - 1 ;}
答:
F(N)=log2底N
=> O(logN)
以2为底才能化简,其余情况不化简
例七
递归调用是多次调用累加
Fac(N)->Fac(N-1)->Fac(N-2)->Fac(N-3)->......->Fac(2)->Fac(1)->Fac(0)
答:F(N)=N
=> O(N)
例八
由于当N递减到1或2时,函数就返回了,这里的次数就不算了,所以顶多算到2的(N-2)次方
在2的(N-2)次方中有的已经是Fib(2)或Fib(1)了,所以这一层的次数小于2的(N-2)次方
答:F(N)=2^(N-2)+2^(N-3)+......+2^2+2^1+2^0=2^(N-1)-1
=> O(2^N)
空间复杂度
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。
这里面的N也是一种相等的参数,与变量总个数相关的参数,它可能是递归次数或循环次数
空间复杂度计算例题
例一
// 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:F(N)=2
=> O(1)
例二
// 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:F(N)=N
=> O(N)
这里算的是size_t n的创建个数,fibArray[i - 1] + fibArray [i - 2]用的是同一个size_t n的空间
递归空间复杂度是空间累加,但不同的是空间可以重复利用
例三
// 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:F(N)=N
=> O(N)
N个size_t N变量空间
常见复杂度对比
OJ例题
给定一个整数数组
nums
,将数组中的元素向右轮转k
个位置,其中k
是非负数。示例 1:
输入: nums = [1,2,3,4,5,6,7], k = 3 输出:[5,6,7,1,2,3,4]
解释: 向右轮转 1 步:[7,1,2,3,4,5,6]
向右轮转 2 步:[6,7,1,2,3,4,5]
向右轮转 3 步:[5,6,7,1,2,3,4]
示例 2: 输入:nums = [-1,-100,3,99], k = 2 输出:[3,99,-1,-100] 解释: 向右轮转 1 步: [99,-1,-100,3] 向右轮转 2 步: [3,99,-1,-100]
思路一
直接旋转
时间复杂度O(N^(N-1))
void rotate(int* nums, int numsSize, int k){ int i=0;int m;int j=0;int n=numsSize; k%=numsSize; while(i<k) { m=nums[numsSize-1]; while(j<numsSize-1) { nums[n-1]=nums[n-2]; n--; j++; } j=0; nums[0]=m; n=numsSize; i++; } }
思路二
时间复杂度:O(N)
思路三
空间换时间
时间复杂度O(N) 空间复杂度O(N)
补充例题
空间复杂度O(1)