《大话数据结构》第二章知识点

这一章的内容非常的简单，主要介绍了什么是算法，以及数据结构与算法的关系，算法的特性，算法效率的度量方法，常见的时间的复杂度，都是一些理论知识。

算法

算法：算法是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令不是一个或者多个操作。

数据结构与算法的关系

数据结构与算法是相辅相成的，一个适合的数据结构是一个好算法的基石。在后面链表，队列，字符串，二叉树，图等数据结构会有一个明显的体验，我们先了解就行了。

两种算法的比较

书上介绍了例子就是大家见到最多，讲的也最多的例子，就是1到100求和的算法。

//循环求和，时间复杂度为O(n)
#include <iostream>
using namespace std;

int main()
{
   for(int i=1;i<=100;i++)
   {
	   int sum=0;
	   sum+=i;
   }
   cout<<sum<<endl;
   return 0;
}

//高斯求和，时间复杂度O(1)
#include <iostream>
using namespace std;

int main()
{
   int n=100,sum;
	sum=n*(n+1)/2;
	cout<<sum;
   return 0;
}

虽然程序很简单，但是我可以明显感受到不同算法带来的效率是明显的，特别对于非常大的数据集来说。

算法的特性

1、输入输出
算法具有零个或者输入多个输入，但是至少有一个或者多个输出。
这里可能对于零个输入有疑惑，举个例子

//这个程序就不用你输入参数，就是零输入
#include <iostream>
using namespace std;

int main()
{
   cout<<"hello world"<<endl;
   return 0;
}

#include <iostream>
using namespace std;

int main()
{
	int n;
	cin>>n;//这里就需要你输入一个n参数
   for(int i=0;i<n;i++)
   {
	   cout<<i<<endl;
   }
   return 0;
}

2、有穷性
有穷性：指算法在执行有限的步骤之后，自动结束而不会出现无限循环，并且每一个步骤在可接受的时间内完成。提一句，操作系统就不是算法，它不会结束，除非关机。

3、确定性
确定性：算法每一步步骤都有具体确定的含义，不会出现二义性。在执行过程中，如果出现歧义性，那么程序可能就会崩溃。

4、可行性
可行性：算法的每一步都必须是可行的，也就是说每一步都能通过执行有限次数完成。可行性意味着算法可以转换为程序上级运行，并得到正确的结果。

算法的设计要求

1、正确性
正确性：
算法的正确性是指算法至少应该具有输入，输出和加工处理无歧义、能正确反映问题的需求、能够得到问题的正确答案。

算法的“正确”通常在用法上有很大的差别，大体分为以下四个层次。
①算法程序没有语法错误。
②算法程序对于合法的输入数据能够产生满足要求的输出结果。
③算法程序对于非法的输入数据能够得出满足规格说明的结果。
④算法程序对于精心选择的，甚至刁难的测试数据都有满足要求的结果。
以上者四点在刷题的时候，深有体会，都是泪。

2、可读性
可读性：算法设计的另一目的是为了阅读、理解和交流。写出方便自己阅读，方便别人阅读的代码是一个非常好的习惯，代码只有自己能看懂，有时候不是一件好事。

3、健壮性
健壮性：当输入的数据不合法时，算法也能做出相关处理，产生异常或莫名其妙的结果。

4、时间效率高和存储量低
设计算法应该尽量满足时间效率高和存储量低的需求。

算法效率的度量方法

1、事后统计方法：这种方法主要是通过设计好的测试程序和数据，利用计算机计时器对不同算法编制的程序的运行时间进行比较，从而确定算法效率的高低。

这种方法存在问题的
①和机器性能有关：如超级计算机 vs 单片机
②和编程语言有关，越高级执行效率越低
③和编译程序产生的机器指令有关
④有些算法是不能事后再统计的，如导弹控制算法
这种方法缺陷太多，一般知道就行，基本不考虑

2、事前分析估算方法
事前分析估算方法：在计算机编制前，依据统计方法进行估算。

事先预估算法时间开销T（n）与问题规模n的关系（T表示time）。就是利用大O记法去提前估计算法的时间复杂度。

函数的渐近增长

这个地方直接上图，高数学过的，直接就明白了

时间复杂度

当问题规模n足够大时，可以只考虑阶数高的部分，大0表示“同阶”，同等数量级，即，当n->无穷，二者之比为常数。

加法规则：多项相加，只保留最高阶的项，且系数变为1
T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O(max(f(n),g(n)))

乘法规则：多项相乘，都保留
T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n))

常见的时间复杂度
O(1)<O(log₂n)<O(n)<O(nlong₂n)<O(n²)<O(n³)<O(2ⁿ)<O(n!)<O(nⁿ)

结论1：顺序执行的代码只会影响常数项，可以忽略
结论2：只需挑循环中的一个基本操作分析它的执行次数与n的关系即可。
结论3：如果有多层嵌套循环，只需要关注最深处循环了几次

最坏时间复杂度：最坏情况下算法的时间复杂度
平均复杂度：所有输入示例等概率出现的情况下，算法的期待运行时间

算法的性能问题只有在n很大时才会暴露出来

空间复杂度

程序运行时的内存需求，无论问题规模怎么变，算法运行所需的内存空间都是固定的常量，算法空间复杂度为S(n)=O(1) S表示space，只需关注存储空间大小与问题规模相关的变量，递归调用的空间复杂度：搜索函数调用栈。