数据结构与算法

时间复杂度问题

因为在刷leecode的时候涉及时间复杂度的问题，还是需要把本科学习的数据结构基础知识进行整理

1.4 算法及其复杂性

1. 算法的复杂性
   时间复杂性： 算法中基本操作重复执行的次数是问题规模n的某个函数f(n)，随着问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐进时间复杂性，
   ** 一个算法在执行过程中消耗的时间取决于下面的因素：**
   （1）算法所需数据输入的时间
   （2）算法编译为可执行程序的时间
   （3）计算机执行每条指令所需的时间
   （4）算法语句重复执行的次数
   主要时间度量: 算法语句重复执行的次数

2. O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
   2.1 比如时间复杂度为O(n)，表示数据量增大几倍，耗时也增大几倍，常见的遍历算法。
   2.2 时间复杂度为O(n^2), 表示数据量增大n倍，耗时增大n的平方，比先行更高的时间复杂度。比如冒泡排序、选择排序， 对n个数排序，需要扫描n*n次，
   2.3 比如O（logn）,当数据量增大n倍时，耗时增大logn倍数（以2为底）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，二分法查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中，只需要查找8次就可以找到目标

   同理O（nlogn）同理，就是n乘以logn，当数据增大256倍时，耗时增大256*8倍，这个复杂度高于线性，地域平方。归并排序就是O（nlogn）的时间复杂度。快速排序算法

   2.4 O(1)就是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）

3. Hash 算法
   哈希表就是一种以**键-值（key-indexed）**存储数据的结构，只需要输入带查找的值即key ,即可查找对应的值
   使用哈西查找的两个步骤：

   3.1 使用哈希函数将被查找的键转换为数组的索引。在理想的情况下，不同的键会被转换为不同的索引值，但是有些情况下我们需要处理多个键被哈希到一个索引值的情况，因此哈希的第二个步骤处理冲突

   3.2. 处理哈西碰撞冲突：拉链法和线性探测法
   哈希表是在时间和空间上做出权衡的经典例子，如果没有内存限制，可以直接将键作为数组的索引，那么所有的查找时间复杂度为O（1）:如果没有没存限制，可以使用无序数组并进行顺序查找，这样只需要很少的内存。哈希表使用了适度的空间和时间在两个极端找到了平衡。

构造哈希表的方法：这里博客https://blog.csdn.net/tanggao1314/article/details/51457585
介绍的很清楚，不再赘述：直接定址法，数字分析法，折叠法，平方取中法，减去法，基数转换法，除留余数法，随机数法，随机乘数法；字符串数值哈希法；旋转法

哈希处理冲突的方法

• 开放定址法（再散列法），基本思想是：当关键字key的哈希地址p=H(key)出现冲突时，以p为基础，产生另一个哈西地址p1，如果p1仍然冲突，再以p为基础，产生另一个哈西地址p2 ，，，，直到找到一个不冲突的哈希地址pi,将相应元素存入其中。这种方法有一个通用的再散列函数形式：

•       Hi=（H（key）+di）% m   i=1，2，…，n
  

其中H(key)为哈希函数，m为表长，di为增量序列。增量序列的取值方式不同，相应的再散列方式也不同。主要有以下三种：

1. 线性探测再散列：dii=1，2，3，…，m-1
2. 二次探测再散列： di=12，-12，22，-22，…，k2，-k2 ( k<=m/2 )
3. 伪随机探测再散列：di=伪随机数序列。