算法与数据结构概述

目录

1. 算法的定义

2. 算法度量Big O

3. 数据结构

4. 排序算法

---

1. 算法的定义

  当设计一个算法时，需要考虑下下面三点：
  * 明确要实现的目标是什么
  * 分析它的正确性
  * 分析它的效率(时间，内存消耗)

2. 算法度量Big O

  "On the basis of the issues discussed here, I propose that members of SIGACT, and editors of computer science and mathematics journals, adopt O, Ω, and Θ notations as defined above, unless a better alternative can be found reasonable soon."
  -D.E. Knuth, "Big Omicron and Big Omega and Big Theta", SIGACT News, 1976. Reprinted in "Selected Papers on Analysis of Algorithms."
  * T(n) = O(f(n)) (读作big-oh)，表示T(n)的增长率渐近的小于或者等于f(n)的增长率。
  * T(n) = Ω(f(n)) (读作omega)，表示T(n)的增长率渐近的大于或者等于f(n)的增长率。
  * T(n) = Θ(f(n)) (读作theta)，表示T(n)的增长率渐近的等于f(n)的增长率。
  因此，如果T(n) = n^2 + 5n，则下面的判断为true.
     T(n) = Ω(n)
     T(n) = Θ(n^2)
     T(n) = O(n^3)
  简单来说，这三个符号表示：
  Big O --- 算法最坏情况的度量；
  Big Omega - 算法最好情况的度量；
  Big Theta - 算法的区间，不会好于某某，也不会坏于某某。

3. 数据结构

  为何数据结构这么重要？因为我们需要优化数据使得能更快的访问以及使用。数据结构有多种形式，因为需要支持不同的操作。换言之，每种数据结构适用于不同类型的任务。常用的数据结构类型如下：
  链表(Linked Lists)
  栈(Stacks)和队列(Queues)
  二叉搜索树(Binary Search Trees)
  B树(B-Trees)
  红黑树(Red-Black Trees)
  平衡二叉树(AVL Trees)
  哈希表(Hash Tables)
  堆(Heap)
  后面的几个章节，会分别对每种类型进行说明。

4. 排序算法

  n:  需要排序的元素个数
  k: 每个key的大小
  d: 位数大小
  
  以上的这几种排序算法，会在后续的文章中逐渐说明。