数据结构与算法 #Day1~3 #绪论 #时间复杂度 #空间复杂度

Day1 绪论

1. 数据结构

1.1 数据结构是什么

什么是数据结构？

• 程序设计 = 数据结构 + 算法
• 数据结构： 数据元素相互之间存在的一种或多种特定关系的集合

---

传统上：数据结构 = 逻辑结构 + 物理结构

• 逻辑结构：数据对象中数据元素中的相互关系
• 物理结构：数据的逻辑结构在计算机中的存储形式。

1.2 逻辑结构

1. 集合结构： 除了属于一个集合外，没有其它任何关系
   

2. 线性结构：
   

3. 树型结构：
   

4. 图形关系：
   

1.3 物理结构

物理结构，研究的是，如何把数据元素存储到计算机的存储器中。

• 存储器主要是针对内存而言，外部存储器常用文件结构来描述。
• 数据元素存储形式有两种：顺序存储 和 链式存储

---

• 顺序存储结构： 把元素存储在地址连续的存储单元里，数据间的逻辑关系和物理单元是一致的。（下图是物理结构，表现为紧挨着）
  

• 链式存储结构： 数据元素存放在任意的存储单元里，然后在这一个数据元素上放一个指针，来记录下一个数据元素的地址。（因为存放了指针，所以更费空间）
  

2. 算法

算法就是解决问题的技巧和方式。

• 如何计算 1 + 2 + … + 99 + 100 的值？有的人可能会一个个加过去，有的人会一个个加过去，有的人会使用等差数列（这个算法是高斯在小学发明的）。
• 一个问题可以由多个算法解决，一个算法不可能有通解所有问题的能力。

---

2.1 算法的五个基本特征

1. 输入
2. 输出
3. 有穷性
4. 确定性
   算法的每一条步骤都有确定的含义，不会出现二义性，不会有歧义。
   算法在一定条件下，只有一条执行路径。相同的输入只能有一个输出的结果。
5. 可行性
   每一步都可以在当前环境下执行有限次数完成（算法可以注明自己需要的环境）

2.2 算法设计的要求

1. 正确性 （大致分为四层次）

1. 算法程序没有语法错误
2. 算法程序对于合法输入能够产生满足要求的输出
3. 算法程序对于非法输入能够产生满足要求的说明
4. 算法程序对于故意刁难的测试输入都有满足要求的输出结果

2. 可读性

1. 算法设计的另一目的是为了便于阅读理解和交流
2. 写代码的目的，一方面是为了让自己理解执行。另一方面是为了便于自己或他人阅读修改。

3. 时间效率高 & 存储量低

Day2~3 时间复杂度&空间复杂度

1. 学习前准备

如何计算算法效率呢？

1.1 两种计算方法

1.1.1 事后统计方法

需要事先编制好测试程序。利用计算机计时器对不同算法编制的运行时间做比较，从而确定算法效率的高低。

• 缺点：

1. 编制测试程序需要花费时间和精力。
2. 不同测试环境的差别还非常之大。

1.1.2 事前分析估算方法

在计算机重新编写前，依据统计方法对算法进行估算。

• 影响因素：

1. 算法的策略，方案
2. 编译参数的代码质量
3. 问题的输入规模
4. 机器执行指令的速度

由此可见： 除了软硬件之外，就是算法的好坏和问题的输入规模。

1.2 为什么只用高阶阶数

1.2.1 示例

计算1~100相加

• 算法1：

for(int i = 1, n = 100, sum = 0; i <= n; i++) {
     // 执行 1+n+1 次
    sum = sum + i;  // 执行 n 次
}

1. 初始化方法执行 1 次
2. 条件判断执行 n+1 次（1次是判断不成功时跳出循环）
3. 函数体执行n次

总共 2n + 2 次

---

• 算法2：

int sum = 0, n = 100;  // 执行1次
sum = (1 + n) * n / 2;  // 执行1次

总共 2 次

1.2.2 说明

1. 不关心编写程序的语言是什么，也不关心程序跑在什么样的计算机上，只关心实现的算法。
2. 最重要的是，把一系列的步骤抽象出来。
3. 把基本操作的数量和输入模式关联起来。

所以上面的算法1和算法2的关系，是n和1的关系。

1.2.3 函数的渐进增长

给定两个函数f(n) 和 g(n)，如果存在一个整数N，使得对于所有的n > N, f(n) 总是比g(n)大，那么，我们说f(n)的渐进增长快于g(n)。

• f(n) = 3n + 1
• g(n) = 2n + 3
• N = 2
• 存在n > N时，f(n) > g(n)，所以f(n)的渐进增长快于g(n)

---

可以使用相关工具（如Excel或matlab），进行绘图。会发现，当n足够大时，似乎只与最高阶阶数相关，其它因素可以忽略不计。
判断一个算法效率时： 函数中的常数和次要项常常快于忽略，而更应该关注主项（最高项）的阶数。

2. 时间复杂度

2.1 大O表示法

在进行算法分析时，语句总的执行次数 T(n)是关于问题规模 n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级 。算法的时间复杂度，也就是时间量度，记做：$T(n)=O(f(n))$它表示随问题规模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度，简称为时间复杂度 。其中f(n)是问题规模n的某个函数。（意思是，看重潜力，而不是当前。）

• 用$O()$来体现算法时间复杂度的记法，被称为大O表示法 。
• 随着输入规模n的增大，T(n)增长最慢的算法，一般为最优算法。
• 1.2.2中，三条曲线算法的时间复杂度分别为$O(1)$，$O(n)$，$O(n^{}$