数据结构与算法

1. 逻辑结构 & 存储结构

逻辑结构：

集合结构：数据元素之间的关系是属于同一个集合。关系松散。

线性结构：数据元素之间存在一对一关系。

树形结构：数据元素之间存在一对多关系。

图形结构：元素之间存在着多对多关系。

存储结构：

顺序存储：逻辑上相邻的元素存储在物理位置相邻的存储单元中。

链式：额外存储元素之间的关系，不要求物理相邻。

散列存储：Hash。

2. 时间复杂度

O(1) -> O(log2n) -> O(n) -> O(nlog2n) -> O(n2) -> O(n3) -> O(2n)

计算一个递归的复杂度：反向替代法得到执行次数的地推关系和初始条件，形成类似M(n) = M(n-i)+i 的公式，再把 i 替换为 n 得到复杂度 

3. 分治和递归

分治（Divide and Conquer）算法是一种解决问题的方法论，而递归（Recursion）是一种编程技巧或方法。它们之间有关联，但也有明显的区别：

分治算法：

1. 定义：分治算法是一种算法设计范式，它通过将问题分解为更小的子问题来解决，然后递归地解决这些子问题，最后将子问题的解合并以形成原问题的解。

2. 步骤：通常包括三个步骤：分解（Divide）、解决（Conquer）、合并（Combine）。

3. 应用：分治算法常用于可以自然分解为相似子问题的问题，如排序算法（快速排序、归并排序）、二分搜索、矩阵乘法等。

递归算法：

1. 定义：递归是一种编程技巧，其中一个函数直接或间接地调用自身。

2. 基本形式：递归通常包括递归基本情况（base case）和递归步骤（recursive case）。

3. 应用：递归可用于实现分治算法，也可用于实现其他需要回溯或重复调用相同逻辑的算法，如树和图的遍历、阶乘计算、斐波那契数列等。

区别：

1. 概念层面：分治是一种解决问题的策略，而递归是一种实现算法的技术。

2. 实现方式：分治算法不一定需要递归来实现，也可以通过迭代的方式（例如，使用循环）来实现；递归算法也不一定是分治算法。

3. 重点：分治算法的重点在于问题的分解和子问题的解的合并；递归的重点在于函数自我调用的逻辑和终止条件。

4. 效率问题：递归实现可能导致不必要的重复计算和高空间复杂度（由于调用栈），而迭代通常更高效，但可能难以表达某些问题。

联系：

• 分治算法经常使用递归来实现，因为递归提供了一种自然的方式来分解问题和合并结果。

• 递归可以视为分治策略的一种编程实现。

4. 动态规划

动态规划（Dynamic Programming，简称DP）算法是一种在数学、管理科学、计算机科学、经济学和生物信息学等领域中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。

动态规划算法的特点：

1. 最优子结构：动态规划算法依赖于问题具有最优子结构这一特点，即问题的最优解包含其子问题的最优解。

2. 重叠子问题：动态规划算法通常用于解决那些具有重叠子问题的问题，即在递归算法中重复计算多次的子问题。

3. 记忆化：动态规划通过存储子问题的解（通常是在表或数组中），避免重复计算，从而提高效率。这个过程称为“记忆化”。

4. 自底向上：动态规划通常采用自底向上的方法，即先解决所有子问题，然后逐步构建原问题的解。

5. 迭代与填表：动态规划算法通常使用迭代而非递归，通过填充一个表格（通常是一维或多维数组）来解决问题。

动态规划与分治算法的区别：

1. 适用问题：分治算法适用于可以分解为独立子问题的问题，而动态规划适用于具有重叠子问题和最优子结构的问题。

2. 存储子问题解：分治算法通常不需要存储所有子问题的解，而动态规划算法需要存储之前计算的子问题解以避免重复计算。

3. 方法：分治算法可以递归实现，也可以迭代实现；动态规划通常迭代实现，通过填表方法逐步构建解。

4. 重复工作：分治算法中，子问题通常不会重复出现；而动态规划算法中，子问题可能会被多次计算，因此需要记忆化来优化。

5. 方向性：分治算法可以是递归的，从上到下进行；动态规划通常是自底向上，从最基本的子问题开始解决。

动态规划与递归的区别：

1. 记忆化：递归可能不包含记忆化机制，而动态规划算法通过记忆化减少重复计算。

2. 迭代 vs 递归：递归是一种调用自身的方法，而动态规划通常使用迭代方法，通过循环和数组来解决问题。

3. 问题类型：递归可以用于实现分治算法，也可以用于实现动态规划算法，但动态规划算法通常不使用递归，而是使用迭代来避免栈溢出和重复计算。

 5. 回溯算法

回溯算法和递归是两种在编程中常用的技术，尤其是在解决复杂问题时。它们有一些相似之处，但也存在一些关键的区别：

相似之处

1. 重复调用：两者都涉及到函数或方法的重复调用。

2. 树形结构：很多问题可以通过树形结构来表示，递归和回溯算法都可以用来遍历这种结构。

3. 基础和递归案例：在递归和回溯算法中，通常都有基础案例（base case）和递归案例（recursive case）。

区别

1. 目的：

   • 递归：递归的主要目的是通过将问题分解为更小的子问题来解决问题。递归函数通常有一个或多个基础案例，当达到这些案例时，递归会停止。

   • 回溯算法：回溯算法的主要目的是通过试错来找到问题的解决方案。它不仅需要找到解决方案，还需要在找到解决方案的过程中回溯，撤销之前的操作。

2. 逻辑结构：

   • 递归：递归逻辑通常是自上而下的，从问题的初始状态开始，逐步分解问题。

   • 回溯算法：回溯算法逻辑是自上而下的，但在找到解决方案的过程中，如果发现当前路径不可行，会回溯到上一步，尝试其他可能的路径。

3. 存储空间：

   • 递归：递归通常使用系统堆栈来存储中间状态，可能导致堆栈溢出。

   • 回溯算法：回溯算法通常使用显式的栈或数组来存储路径，可以更灵活地控制存储空间。

4. 应用场景：

   • 递归：适用于可以自然分解为子问题的问题，如树的遍历、图的搜索、阶乘计算等。

   • 回溯算法：适用于需要探索所有可能解决方案的问题，如八皇后问题、数独解、迷宫求解等。

5. 效率：

   • 递归：可能会重复计算相同的子问题，效率可能较低。

   • 回溯算法：通过剪枝（剪去不可行的路径）来提高效率，避免重复计算。