数据结构基础

在此强调一下数据结构的重要性，它是介于数学、计算机硬件和软件三者之间的一门核心课程，程序=算法+数据结构

1-1数据结构类型：

一、逻辑结构

1）线性结构
“线性”的数据结构：一对一的线性关系，如图书数目管理系统。
特殊的：队列与栈、字符串。
推广的：数组、广义表。

2）非线性结构
“树”的数据结构：一对多的层次关系，如计算机文件系统。
“图”的数据结构：多对多的网状关系，如网络工程图和网络通信图。
其中树包括树和二叉树，图包括有向图和无向图。
3）集合结构。

二、存储结构

1）顺序存储结构：数据从低地址向高地址存，借助C中数组类型描述。
2）链式存储结构：每个结点占用两个连续的存储单元，一个存放结点信息，另一个存方后继结点的首地址，借助C中的指针类型来描述。

1-2基本概念

数据：客观事物的符号表示，如整数和实数，字符串等。
数据元素：数据的基本单位，用于完整地描述一个对象。
数据项：数据元素的组成成员。
数据对象：相同性质的数据元素的集合

1-3数据类型和抽象数据类型

1、数据类型（Date Type）是一个值的集合和定义在这个值集上的一组操作的总称。

2、抽象数据类型（ADT）,一般指由用户定义的、表示应用问题的数学模型以及定义在这个模型上的一组操作的总称，具体包括：数据对象、数据对象上的关系的集合以及对数据对象的基本操作的集合。
其定义格式如下：
ADT 抽象数据类型名
{
数据对象<数据对象的定义>
数据关系<数据关系的定义>
基本操作<基本操作的定义>
}ADT 抽象数据类型名
基本操作的定义格式：
基本操作名（参数表）
初始条件：<初始条件描述>
操作结果：<操作结果描述>
基本操作的两种参数：
赋值参数：只为操作提供输入值
引用参数：以"&"打头，可提供输入值和返回操作结果。
抽象数据类型的表示与实现：
（1）预定义常量及类型：

//函数结果状态代码
#define OK 1
#define ERROR 0
#define OVERFLOW -2
//Status 是函数返回值类型，其值是函数结果状态代码。
typedef int Status;

(2)数据结构的表示（存储结构）用类型定义（typederf）描述；数据元素类型约定为ElemType,由用户在使用该数据类型时自行定义。
(3)基本操作的算法都用如下格式的函数来描述：

函数类型 函数名（函数参数表）
{
	//算法说明
	语句序列
}//函数名
	

当函数返回值为函数结果状态代码时，函数定义为Status类型。
(4)内存的动态分配与释放：
使用new和delete动态分配和释放内存空间：
分配空间 指针变量=new数据类型
释放空间 delete指针变量
（5）赋值语句：
串联赋值： 变量名1 = 变量名2 = … =变量名n = 表达式。
成组赋值:（变量名1，…变量名n) = (表达式1，… ,表达式n)
结构赋值：结构名1 = 结构名2；
结构名 = （值1，值2, … ,值n)
条件赋值： 变量名 = 条件表达式？表达式T:表达式F
交换赋值：变量名1<–>变量名2

1-4算法和算法分析：

一、算法的定义：为了解决某类问题而规定的一个有限长的操作序列。

二、算法的特性：有穷性、确定性、可行性、输入、输出。

三、评价算法优劣的基本标准：正确性、可读性、健壮性、高效性。

四、

算法的时间复杂度：

1、影响算法时间代价的最主要因素是问题规模（算法求解问题输入量的多少），一般用n表示，n越大，算法执行时间越长。

2、语句执行时间大致 = 重复执行次数（语句频度）和执行一次所需时间（分析时按单位时间）的乘积。

3、算法的时间复杂度的定义：

1）对于简单算法：直接计算所有语句频度之和。

2）对于复杂算法：只用“基本语句”（重复执行次数和算法的执行时间成正比的语句，它对算法的运行时间贡献最大）的执行次数来度量算法的工作量。

一个简单算法例子：求两个矩阵的乘积算法：

for(i=1;i<n;i++)      //频度为 n+1 
 for(j=1;j<n;j++)     //频度为 n*（n+1）
 {   
  c[i][j]=0;          //频度为 n^2 
  for(k=1;k<=n;k++)   //频度为 n^2*(n+1) 
  c[i][j]=c[i][j]+a[i][k]*b[k][i];//频度为 n^3 
 } 

其中所有语句频度之和是矩阵阶数n的函数，用f(n)表示
。
f(n)/n^3=C,即f(n)与n的三次方是同阶的，或者说数量级相同，数量级用“O"表示

算法的时间量度 T(n)=O(f(n)），算法执行时间的增长率与f(n)增长率相同。

4、分析算法时间复杂的基本方法：
找出语句频度最大的那条作为基本语句，计算其频度得到问题规模n的函数f(n)

5、非递归算法的时间复杂度分析举例：
1）常量阶：T(n)=O(1)
2) 线性阶：T(n)=O(n),线性对数阶：T(n)=O(n*log2(n));
3) 多项式阶：T(n)=O(n^k).
如平方阶：T(n)=O(n^2)
立方阶：T(n)=O(n^3)
4)对数阶：T(n)=O(log2(n))
5)指数阶：T(n)=O(2^n)
一般的，随n的增大，T(n)增长慢的算法为较优算法，显然指数阶效率极低，尽量选择多项式阶的算法。

当有若干循环时，算法的时间复杂度由最深层循环内的基本语句的频度f(n)决定

五、算法的空间复杂度：
1、定义：作为算法所需储存空间的量度。
S(n)=O(f(n));
注：一般情况下，鉴于运算空间较为充足，所以将算法的时间复杂度作为分析的重点。