数据结构和算法

前言

一、为什么要学习数据结构和算法？

二、什么是数据结构和算法

三、算法的特性

四、 时间复杂度&空间复杂度        

           时间复杂度

           空间复杂度

前言

 掌握数据结构与算法，提升编码能力与思维能力

---

一、为什么要学习数据结构和算法？

1.对于大部分的业务开发来说，可能更多的是利用类库来实现的，但是如果你不了解这些类库背后的数据结构和算法，不懂空间复杂度和时间复杂度，如何用好他们,用对他们；调用某个函数之后如何评估代码的性能与资源消耗；

2.业务开发用到的各种框架、中间件和底层系统，如MySQL、Spring、MQ和Redis等。其中都涉及到很多基础数据结构和算法思想。如Redis中，有序集合用什么数据结构实现？为什么要用跳表？为什么不用二叉树？mysql中索引为什么用B+树等等

若能清晰这些底层原理，就能更好利用它们。

二、什么是数据结构和算法

• 广义上，也就是从课本上说，数据结构就是一组存储数据的结构,而算法能就是操作数据的一组方法。
• 狭义上，其实是针对著名的数据结构与算法。著名的意思即前人的智慧结晶，我们时常听到的堆，栈，二分查找，快速排序等都是著名的数据结构与算法。站在巨人的肩膀上，我们能有更卓越的成就。

       数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、  树

       算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法

三、算法的特性

        五个特征：有穷性、确定性、可行性、有输入、有输出

        设计原则：正确性、可读性、健壮性 bug：写出代码很少有bug，而且系统比较稳定

        高效率  与低存储: 内存+CPU 堆栈内存OOM 内存占用最小，CPU占用最小，运算速度最快

四、 时间复杂度&空间复杂度        

 评价算法的两个重要指标：时间复杂度的计算 时间复杂度:运行一个程序所花费的时间。   

  空间复杂度：运行程序所需要的内存 OOM

时间复杂度

几种常见的时间复杂度分析：

• 常数：O(1) 1表示是常数，所有能确定的数字我们都用O（1），O(1000)=>o(1)
• 对数：O(logn),O(nlogn)
• 线性：O(n)
• 线性对数：O(nlogn)
• 平方：O(n^2)
• N次方：O(n^n)
• 

---

学了时间复杂度，那我们的目的就是要把代码写到最优，效率最高；

时间复杂度的排序：O(1)>O(logn)>O(n)>O(nlogn)>O(n^2)

其中O(1)>O(logn)>O(n)>O(nlogn) 效果都是很好的。几乎优化的空间不是很大。

O(1):

只要循环是确定的，那么这段代码块的时间复杂度就是O(1)

for (int i = 0; i < 4; i++) { // 在第5次的时候结束 
    a = a + 1;            //这里会运行4次  O(4) => O(1)
}

O(log(n)):

当数据增大 n 倍时，耗时增大 logn 倍（这里的 log 是以 2 为底的，比如，当数据增大 256 倍时，耗时只增大 8 倍，是比线性还要低的时间复杂度）。二分查找就是 O(logn)的算法，每找一次排除一半的可能，256 个数据中查找只要找 8 次就可以找到目标。

while (i <= n) {
    i = i * 2;        //  O(logn)
}

O(n):

理解起来也很简单，就是算法的时间复杂度随着数据量的增大几倍，耗时也增大几倍。

常见的算法举例：遍历算法。

for(int i=0;i<n;i++){
 a++;
}

O(nlog(n))

在复杂度为log(n)的循环外层再套一层循环，时间复杂度就是O(nlog(n))

for (int j = 0; j < n; j++) {
    while (i <= n) {
        i = i * 2;
    }
}

O(n^2)

就代表数据量增大 n 倍时，耗时增大 n 的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的 O(n^2) 的算法，对 n 个数排序，需要扫描 n × n 次。

//(1)
for(i=1;i<=n;i++){
    for(j=1;j<=n;j++){
          s++;//循环了n*n次，当然是O(n^2)
    }
}           
    
//（2）
for(i=1;i<=n;i++){
    for(j=i;j<=n;j++){
      s++;//循环了(n+n-1+n-2+...+1)≈(n^2)/2，因为时间复杂度是不考虑系数的，所以也是O(n^2)
    }
}
 

你除了以上的5种常见情况外，在工程开发中，往往会有着大量的网络IO交互，比如RPC远程服务调用、HTTP接口访问、访问数据库等，

空间复杂度

一般情况下，一个程序在执行时，除了寄存本身所用的指令、常数、变量、和输入数据之外，还需要对数据进行操作的辅助存储空间。算法的空间复杂度就是对其所需辅助空间量级的描述。

O(1)

算法仅需要借助一个变量t，与问题规模大小 n无关，其空间复杂度为O(1)。

int t = 0;
for(int i=0;i<n;i++){
    t = i;
}

O(n)

算法需要另外借助一个空间大小为n的辅助数组b，其空间复杂度为O(n)。

for(int i=0;i<n;i++){
    num[i] = i;
}

其他空间复杂度计算方式类似于时间复杂度的计算...