什么是数据结构?
数据结构(Data Structure)是计算机存储、组织数据的方式,指相互之间存在一种或多种特定关系的数据元素的集合。
学好数据结构对于逻辑思维能力有很大的帮助。
什么是算法?
算法(Algorithm):就是定义良好的计算过程,他取一个或一组的值为输入,并产生出一个或一组值作为
输出。简单来说算法就是一系列的计算步骤,用来将输入数据转化成输出结果。
数据结构学习顺序
本专栏中学习数据结构的顺序为 :顺序表 → 单链表 → 双链表 → 栈和队列 → 二叉树和堆 → 排序→ 图 → B树 → 跳表 (之后会一直更新)
数据结构与算法
数据结构与算法紧密相连,它们共同构成了解决计算机科学问题的基础。
数据结构为算法提供了执行的基础。 良好的数据结构有助于提高算法的效率和处理速度。例如,在需要频繁插入和删除数据的场景中,链表可能比数组更为合适。相反,若需要随机访问数据,则数组可能是更好的选择。因此,在选择数据结构时必须考虑到其对算法性能的影响。
算法的设计依赖于特定的数据结构。 不同的数据结构适用于不同类型的问题和操作。链表、数组、栈、队列等数据结构都有各自适用的场合和优点。算法设计者需根据具体问题选择或设计最合适的数据结构,以确保算法能够高效运行。
一个程序能达到的最优的算法就是与此程序匹配起来最合适的数据结构。
那么如何衡量一个算法的好与坏呢?
算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,既 时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。
在计算机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
时间复杂度
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。
一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。
一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数,那么这里我们使用大O的渐进表示法。
即:去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数
大O的渐进表示法
大O符号(Big O notation):是用于描述函数渐进行为的数学符号。
推导大O阶方法:
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
4、有些算法的时间复杂度存在最好、平均和最坏情况;在实际中一般情况关注的是算法的最坏运行情况。
可能会存在的三种情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)
渐进表示法会将实际的执行次数简化,只保留影响力最大的项,去掉影响不大的项。
函数实际执行次数 | 使用渐进表示法优化后 |
---|---|
N^2+2*N+10 | N^2 |
2*N+10000 | N |
N/2 | N |
10000000 | 1 |
M+N | M+N |
一般是将常数项取消掉,未知数并不会动。
总结:时间复杂度一般使用大O渐进表示法是将算法在无穷大的时候 将相对影响不大的项去掉,保留影响最大的的项,如果有最坏情况要考虑最坏的运行情况。
空间复杂度
空间复杂度也是一个数学表达式,是对一个算法在运行过程中临时占用存储空间大小的量度 。
空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践复杂度类似,也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。