算法与数据结构简介、LeetCode入门及攻略

学习资料来源【算法通关手册】：https://algo.itcharge.cn/

【datawhale组队学习】https://github.com/datawhalechina/team-learning

大多是对这次组队学习的学习资料的学习笔记，非原创~

1数据结构与算法

• 数据结构（Data Structure） 是数据的计算机表示和相应的一组操作。
• 我们追求的是：选择更加合适的「数据结构」，使用花费时间更少、占用空间更小的「算法」。
• 在编程中从时间复杂度、空间复杂度方面考虑解决方案

1.1数据结构

• 数据的组织结构，用来组织、存储数据。
  • 数据结构研究的是数据的逻辑结构、物理结构以及它们之间的相互关系，并对这种结构定义相应的运算，设计出相应的算法，并确保经过这些运算以后所得到的新结构仍保持原来的结构类型。
• 数据结构的作用，就是为了提高计算机硬件的利用率。
  • 数据结构可以分为【逻辑结构】和【物理结构】

1.1.1数据的逻辑结构

1. 集合结构
2. 线性结构【一对一】
   • 数组、链表->栈、队列、哈希表
   • 左侧和右侧分别只有一个数据与其相邻（除了首位）
3. 树形结构【一对多】
   • 二叉树：根， 左子树， 右子树
   • 多叉树、字典树
4. 图形结构【多对多】
   • 任意两个结点之间都可能相关，即结点之间的邻接关系可以是任意的
   • 无向图、有向图、连通图

1.1.2数据的物理结构

物理结构（Physical Structure）：数据的逻辑结构在计算机中的存储方式。

常用的物理结构有：顺序存储结构、链式存储结构。

1. 顺序存储结构（Sequential Storage Structure）
   • 地址连续（存储单元），逻辑相邻
   • 数据元素之间的逻辑关系通过数据元素的存储地址来直接反映
   • 简单，占用少；但需要占用连续，事先进行存储分配、操作的时间效率较低
2. 链式存储结构 （Linked Storage Structure）：将数据元素存放在任意的存储单元里，存储单元可以连续，也可以不连续。
   • 链结点：将每个数据元素占用的若干单元的组合
   • 每个链结点存放：
     1. 一个数据元素的数据信息
     2. 指针：这个数据元素在逻辑关系的直接后继元素所在链结点的地址。换句话说，数据元素之间的逻辑关系是通过指针来间接反映的。
   • 存储空间不必事先分配，可以临时申请，不会造成空间的浪费。操作的时间效率远比顺序存储结构高；指针也需要占用存储空间，空间开销大。

1.2算法

一系列指令的集合，解决问题的方法。

1.2.1算法的基本特性

1. 输入
2. 输出
3. 有穷性
4. 确定性
5. 可行性

1.2.2算法追求的目标

1. 所需运行时间更少（时间复杂度更低）；

2. 占用内存空间更小（空间复杂度更低）。

3. 正确性：正确性是指算法能够满足具体问题的需求，程序运行正常，无语法错误，能够通过典型的软件测试，达到预期的需求。

4. 可读性：可读性指的是算法遵循标识符命名规则，简洁易懂，注释语句恰当，方便自己和他人阅读，便于后期修改和调试。

5. 健壮性：健壮性指的是算法对非法数据以及操作有较好的反应和处理。

1.3总结

1.3.1数据结构总结

「逻辑结构」指的是数据之间的 关系，「物理结构」指的是这种关系 在计算机中的表现形式。

• 栈（线性表）：数据元素之间的关系是一对一的，除头和尾结点之外的每个结点都有唯一的前驱和唯一的后继，这体现的是逻辑结构。对栈中结点：
  1. 顺序栈：一段连续的存储空间，栈中每个结点和它的前驱结点、后继结点在物理上都是相邻的。
  2. 链式栈：每个结点和它的前驱结点、后继结点在物理上不一定相邻，每个结点是靠前驱结点的指针域来进行访问的。

1.4算法复杂度

算法复杂度（Algorithm complexity）：在问题的输入规模为 n 的条件下，程序的时间使用情况和空间使用情况。

• 「问题规模 n」 指的是：算法问题输入的数据量大小：
  • 排序算法中：n 表示需要排序的元素数量。
  • 查找算法中：n 表示查找范围内的元素总数：比如数组大小、二维矩阵大小、字符串长度、二叉树节点数、图的节点数、图的边界点等。
  • 二进制计算相关算法中：n 表示二进制的展开宽度。

1.4.1时间复杂度

时间复杂度（Time Complexity）：在问题的输入规模为 n 的条件下，算法运行所需要花费的时间，可以记作为 T(n)。

• 基本操作次数作为时间复杂度的度量标准
• 基本操作 ：算法执行中的每一条语句。每一次基本操作都可在常数时间内完成。
  • 比如两个整数相加的操作，如果两个数的规模不大，运行时间不依赖于整数的位数，则相加操作就可以看做是基本操作。
• $f(n):$语句执行次数
• $T(n)=O(f(n))$,称为渐近时间复杂度，简称时间复杂度

1.4.2渐近符号

1. $\Theta$
   • 渐近紧确界，上下界都是常数倍
2. $O$
   • 渐近上界
3. $\Omega$
   • 渐近下界

1.4.3时间复杂度计算

通常使用渐近上界$O$,求解时间复杂度的步骤：

• 找出算法中的基本操作（基本语句）：算法中执行次数最多的语句就是基本语句，通常是最内层循环的循环体部分。
• 计算基本语句执行次数的数量级：只需要计算基本语句执行次数的数量级，即保证函数中的最高次幂正确即可。像最高次幂的系数和低次幂可以忽略。
• 用大 O 表示法表示时间复杂度：将上一步中计算的数量级放入 O 渐进上界符号中。

求解原则：

• 加法原则：总的时间复杂度等于量级最大的基本语句的时间复杂度。
• 乘法原则：循环嵌套代码的复杂度等于嵌套内外基本语句的时间复杂度乘积。

举例：

1. 常数$O(1)$，要算法中不存在循环语句、递归语句，其时间复杂度都是$O(1)$
2. 线性$O(n)$，随着问题规模n的增大，对应计算次数呈线性增长
3. 平方$O(n^2)$
4. 阶乘$O(n!)$ 多见【全排列算法】：
   def algorithm(n):
   if n <= 0:
   return 1
   return n * algorithm(n - 1)
5. 对数$O(lo{g}_{2}n)$ 多见【二分查找】【分治】这种一分为二的算法中。
6. 线性对数$O(nlo{g}_{2}n)$ 【快速排序】、【归并排序】、【堆排序】；例如：外城logn，内层n
7. 排序：$O(1)<O(lo{g}_{2}n)<O(n)<O(nlo{g}_{2}n)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)$

1.4.4最佳、最坏、平均时间复杂度

最佳时间复杂度：每个输入规模下用时最短的输入对应的时间复杂度。
最坏时间复杂度：每个输入规模下用时最长的输入对应的时间复杂度。
平均时间复杂度：每个输入规模下所有可能输入对应用时平均值的复杂度（随机输入下期望用时的复杂度）。

1.5空间复杂度

空间复杂度（Space Complexity）：在问题的输入规模为 n 的条件下，算法所占用的空间大小，可以记作为 S(n)。一般将 算法的辅助空间作为衡量空间复杂度的标准。主要包括：

• 「局部变量（算法范围内定义的变量）所占用的存储空间」
• 「系统为实现递归（如果算法是递归的话）所使用的堆栈空间」