一、数据结构前言
数据结构:内存中存储管理数据的结构
数据结构和数据库的区别:本质都是存储管理数据
数据结构--在内存中存储管理数据 数据库--在磁盘中存储管理数据
算法:对数据按要求进行某种处理。查找、排序
数据结构和算法的关系:你中有我,我中有你
二、算法的时间复杂度和空间复杂度
1.算法效率
1.1 如何衡量一个算法的好坏
1.2 算法的复杂度
2.时间复杂度
2.1 时间复杂度的概念
// 请计算一下Func1中++count语句总共执行了多少次?
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
准确的时间复杂度函数式 F(N)=N*N+2*N+10
函数式计算的是算法运行的准确次数,不方便在算法之间进行比较难
2.2 大O的渐进表示法
例如:准确的时间复杂度函数式 F(N)=N*N+2*N+10
N=10 F(N)=130
N=100 F(N)=10210
N=1000 F(N)=1002010
随着N越大,后两项对结果的影响几乎可以忽略不计
大O的渐进表示法:大概估算,方便比较,去掉对结果影响不大的项
2.3常见时间复杂度计算举例
// 计算Func2的时间复杂度?
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
F(N)=2*N+10
时间复杂度O(N)
// 计算Func3的时间复杂度?
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k)
{
++count;
}
for (int k = 0; k < N ; ++ k)
{
++count;
}
printf("%d\n", count);
}
时间复杂度O(N+M)
如果不知道M和N的大小:O(N+M)
如果N远大于M:O(N)
如果M远大于N:O(M)
如果M和N一样大:O(N)或O(M)
// 计算Func4的时间复杂度?
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
常数次,时间复杂度O(1)
// 计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
strchr:在字符串数组中查找一个字符
while(*str)
{
if(*str==character)
return str;
else str++;
}
return NULL;
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
算时间复杂度不能去数循环,这个不一定准确,一定要看算法思想来进行计算
F(N)=N-1+N-2+N+3+...+2+1=(1+N-1)*(N-1)/2
时间复杂度O(N^2)
最好的情况:O(N)不知道有没有序走一次没交换比较N-1次
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
最好:O(1)
最坏:找不到或缩小的区间只剩1个值
设数组中N个数N/2/2/2/2/2..../2=1除了几次2就找了几次,设找了x次,所以N除以x次2等于1
2^x=N,x=log2(N),所以O(logN)
时间复杂度计算的是算法的执行次数,一个执行次数不一定是一条语句,可能是多条语句,但肯定是常数条
因为在文本中不好写对数,而时间复杂度中log以2为底的N经常出现,所以把它简写成logN,其他底数的对数没有简写
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
调用n+1次O(1),时间复杂度O(N)
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
2^0+2^1+2^2+...+2^(N-2)等比数列求和2^(N-1)-1
实际小于2^(N-1)-1
时间复杂度O(2^N)
空间复杂度O(N)
时间是累积的,空间是不累计可以重复利用
3.空间复杂度
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
4. 常见复杂度对比