数据结构与算法

1. 数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。常用的有时间、空间复杂度分析。
2. 大 O 复杂度表示法：T(n) = O(f(n)),T(n)表示代码执行的时间,n 表示数据规模的大小；f(n) 表示每行代码执行的次数总和。因为这是一个公式，所以用 f(n) 来表示。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。

列如： T(n) = O(2n+2)；T(n) = O(2n*2+2n+3)

3. 大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

4. 当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O 表示法表示刚讲的那两段代码的时间复杂度，就可以记为：T(n) = O(n)； T(n) = O(n2)。

5. 如何分析一段代码的时间复杂度？

   1. 只关注循环执行次数最多的一段代码;
   2. 加法法则：总复杂度等于量级最大的那段代码的复杂度;T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n)))[多段的循环代码]
   3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积;T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n))[嵌套的循环代码]
      多项式量级------

6. 常数阶：O(1); 只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。

7. 对数阶：O(㏒n); 变量 i 的取值就是一个等比数列【如：while (i <= n) { i = i * 3; }】

8. 线性阶：O(n);

9. 线性对数阶：O(n ㏒n);如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn)，归并排序、快速排序的时间复杂度都是 O(nlogn)。

10. 平方阶：O(n²)，立方阶：O(n³)，…K次方阶：O(nⁿ)
    非多项式量级------该类的算法问题叫作NP（Non-Deterministic Polynomial，非确定多项式）问题，当数据规模 n 越来越大时，非多项式量级算法的执行时间会急剧增加，求解问题的执行时间会无限增长。所以，非多项式时间复杂度的算法其实是非常低效的算法

11. O(m+n)、O(m*n)：m 和 n 是表示两个数据规模 ，加法法则失效应表示为：T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法则继续有效：T1(m)*T2(n) = O(f(m) * f(n))

12. 时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比：空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

13. 常见的空间复杂度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。