数据结构教程绪论

绪论

前言

数据是珍贵的东西，比系统本身更持久。

基本数据组织和数据处理的方法：

• 各种数据的逻辑结构描述。
• 各种数据的存储结构表示。
• 各种数据结构的运算定义。
• 设计实现运算的算法。
• 分析算法的效率。

学习目标

• 掌握数据结构的基本概念，基本原理和基本方法。
• 掌握数据的逻辑结构，存储结构及基本运算的实现过程。
• 掌握算法基本的时间复杂度与空间复杂度的分析方法，能够设计出求解问题高效算法。

学习方法

• 理解各种数据结构的逻辑特性和存储结构设计。
• 掌握各种数据结构算法设计的基本方法。
• 利用各种数据结构来求解实际问题。
• 演绎和归纳相结合。

A、什么是数据结构

1.数据：
所有能够输入到计算机中，且能被计算机处理的符号的集合。
2.数据项：
用于描述数据元素，是数据的最小单位。
3.数据对象：
具有相同性质的若干个数据元素的集合，如整数数据对象是所有整数的集合。
4.数据结构：
是指带结构的数据元素的结合。
数据结构=数据对象+结构

数据结构中讨论的元素关系主要是指相邻关系或邻接关系。

数据结构的构成

逻辑结构+存储结构+数据运算

• 逻辑结构：
  数据元素之间的逻辑关系。
  
  学生表的逻辑结构表示二元数组，二元组是一种通用的逻辑结构表示方法。
  

• 存储结构：
  数据元素及其关系在计算机存储器中的存储方式。

• 数据运算：
  施加在该数据上的操作。

1.数据的逻辑结构表示

每个关系用若干个序偶来表示：
序偶<x,y>(x,y$\in$ D)$\Rightarrow$x为第一元素，y为第二元素。
x为y的前驱元素，y为x的后继元素。
若某元素没有前驱元素，则该元素为开始元素，若某元素没有后继元素，则该元素为终端元素。
序偶<x,y>表示x,y是有向的，序偶（x,y)表示x,y是无项的。

2.数据的存储结构表示

设计存储结构的这种映射应满足两个要求：

• 存储所有元素
• 存储数据间的关系

1.学生表存储结构1——结构体数组

由此可看出：两个逻辑上相邻的元素，其存储空间也相邻。
这种存储空间结构（顺序存储结构）的特点：

• 所有元素占用一整块内存空间。
• 逻辑上相邻的元素，物理上也相邻。

2.学生表存储结构2——链表

这种存储结构（链式存储结构）的特点：

• 一个逻辑元素用一个结点储存，每个结点单独分配，所有结点的地址不一定是连续的。
• 用指针来表示逻辑关系。

3.数据运算

数据运算分两个层次：
运算描述和运算实现。



结论：

• 同一逻辑结构可以对应多种存储结构。
• 同样的运算，在不同的存储结构中，其实现过程是不同的。

一、逻辑结构类型

1.集合
元素之间的关系：无
特点：数据之间属于同一集合。

2.线性结构
元素之间的关系：一对一
特点：开始元素与终端元素唯一，另外，其余元素有且仅有一个前驱元素和一个后继元素。

3.树形结构
元素之间的关系：一对多
特点：开始元素唯一，终端元素不唯一。另外，每个元素有一个或多个后继元素（除终端元素），么个元素有且仅有一个前驱元素（除开始元素）。

4.图形结构
元素之间的关系：多对多
特点：所有元素都有可能有多个前驱元素和多个后继元素。

二、存储结构类型

1. 顺序存储结构
2. 链式存储结构
3. 索引存储结构
4. 哈希存储结构

数据类型和抽象数据类型

1.数据类型：
是一个值的集合和定义在此集合上的一组操作的总称。

2.抽象数据类型（ADT）：

指从求解问题的数学模型中抽象出来的数据结构和运算，不考虑计算机的运算。
抽象数据类型=逻辑结构+抽象运算

B、什么是算法

通常把基于存储结构的运算实现的步骤或过程称为算法。

1.算法的五个重要特性

• 有穷性：在有穷步之后结束，算法能够停机。
• 确定性：无二义性。
• 可行性:可通过基本运算有限次执行来实现，即每一个动作都能被机械地执行。
• 输入：0个或多个输入。
• 输出：1个或多个输出。

2.算法与程序的区别

程序指的是某种计算机语言对一个算法的具体实现，及具体怎么做。而算法侧重于对解决问题的方法的描述，即要做什么。算法用计算机语言描述就得到程序。

3.算法描述

参数传递：


例如，设计一个算法

代码实现：

#include<iostream>
#include<cmath>
using namespace std;
void solution(float a, float b, float c, float& x1, float& x2);
int main()
{
	float a, b, c,m,x1,x2;
	cout << "请输入a,b,c的值：" << endl;
	cout << "a=";
	cin >> a;
	cout << "b=";
	cin >> b;
	cout << "c=";
	cin >> c;
	cout << "求得的方程的根为：";
	solution(a, b, c, x1, x2);
	return 0;
}
void solution(float a, float b, float c, float& x1, float& x2)
{
	float d;
	d = b * b - 4 * a * c;
	if (d > 0)
	{
		x1 = (-b + sqrt(d)) / (2 * a);
		x2 = (-b - sqrt(d)) / (2 * a);
		cout << x1 << " " << x2 << endl;
	}
	else if (d == 0)
	{
		x1 = (-b) / (2 * a);
		cout << x1 << endl;
	}
	else
		cout << "该方程无实根！";
}

4.算法分析

算法分析的目的：
分析算法的时空效率以便改进算法性能。

一、算法时间复杂度分析

一个算法是由控制结构（顺序，分支和循环）和原操作构成的。

顺序结构：按照所述顺序处理。
分支结构：根据判断条件改变执行流程
循环结构：当条件成立时，反复执行给定的处理操作。
原操作：指固有数据类型的操作，如+，-，*，/，++，–等。
算法的执行时间取决于两者的综合效果。
例如：

算法分析方式

1.事后分析统计方法：
编写算法对应程序，统计其执行时间。

2.事前估算分析方法：
撇开上述因素，认为算法执行时间是问题规模n的函数。

分析算法执行时间

• 求出算法所有原操作的执行次数（也称为频度），它是问题规模n的函数，用T(n)表示。
• 算法执行时间大致=原操作所需时间*T(n)。所以T(n)与算法的执行时间成正比。为此用T(n)表示算法的执行时间。
• 比较不同算法的T(n)大小得出算法执行时间的好坏。
  T(n)表示求解问题大小的正整数，如n个记录排序。
  例如：求两个n阶方阵的相加C=A+B的算法如下，分析其时间复杂度。

伪代码：

#define NAX=28
voidmatrixadd(int n,int A[MAX][MAX],int B[MAX][MAX],int C[MAX][MAX])
{
int i,j;
for(i=0;i<n;i++)	//1
for(j=0;j<n;j++)		//2
C[i][j]=A[i][j]+B[i][j];	//3
}

除变量定义语句外，该算法包括3个可执行语句1，2和3。
1.频度为n+1，循环体执行n次。
2.频度为n*(n+1)。
3.频度为n*n。
因此，所有语句频度之和为：

算法执行时间用时间复杂度来表示：
算法中执行时间T(n)是问题规模n的某个函数f(n),记作：
T(n)=O(f(n))
"O"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。

"O"的形式定义为：
T(n)=O(f(n))表示存在一个正的常数c，使得当n>=n0时都满足：
|T(n)|<=|c(f(n)|
f(n)是T(n)的上界，
通常有:

也即只求出T(n)的最高阶，忽略其低阶项和常系数，这样既可以简化T(n)的计算，又能比较客观地反映当n很大时算法的时间性能。
一般地：

• 一个没有循环的算法的执行时间与问题规模n无关，记作0（1），也称作常数阶。
• 一个只有一重循环的算法的执行时间与问题规模n的增长呈线性增大关系，记作0(n),也称线性阶。
• 
  各种不同算法时间复杂度的比较关系如下：
  
  算法时间性能比较：
  假如求同一问题有两个算法：A和B，如果算法A的平均时间复杂度为0(n),而算法B的平均复杂度为0（n*n)。
  一般情况下，认为算法A的时间性能比算法B好。

简化的算法时间复杂度的分析

算法中的基本操作一般是最深层循环内的原操作。
算法执行时间大致=基本操作所需的时间*其运算次数
在算法分析时，计算T(n)时仅仅考虑基本操作的运算次数。

最好、最坏和平均时间复杂度分析

定义：设一个算法的输入规模为n，Dn是所有输入的集合，任意输入I$\in$Dn,P(I）是I出现的概率，有$\sum$P(I）=1，T(I)是算法输入I下的执行时间，则算法的平均时间复杂度为：

例如：10个1~10的整数序列递增排序。(n=10):

所有可能的初始序列有m个，m=10！$\Rightarrow$P(I)=1/m。


解:
算法的主要时间花费在元素比较上：

• i的取值范围为1~n,共n种情况。
• 在等概率的情况(每种情况的概率为1/n).
• 求前i个元素的最大值时，max=a[0]，将其与a[1…i-1]元素进行比较。比较次数=（i-1）-1+1=i-1次。
  
• i=1时，比较次数为0$\Rightarrow$算法的最好复杂度B(n)=0(1)。
• i=n时，比较次数为n-1$\Rightarrow$算法的最坏复杂度W(n)=0(n)。

二、算法空间复杂度的分析

空间复杂度：
用于度量一个算法运行过程中临时占用的内存空间的大小。
一般也作为问题规模n的函数，采用数量级形式描述，记作：
S(n)=0(g(n))
若一个算法的空间复杂度为0(1)，则称此算法为原地工作或就地工作算法。

空间复杂度考虑临时占用的存储空间