数据结构一之基本概念

一、枚举法解决问题：

Q：a+b+c=1000，且a^2+b^2=c^2（a，b，c为自然数），如何求出所有abc可能的组合？

A：a=0,b=0,c=0~1000，利用三层嵌套。具体程序如下：

import time
start_time = time.time()
for a in range(1000):
    for b in range(1000):
        for c in range(1000):
            if a + b + c == 1000 and a**2 + b**2 == c**2:
                print('a,b,c:%d,%d,%d'%(a,b,c))
end_time = time.time()
print('time:%d'%(end_time-start_time))
print('finish')

显示：
time:126
finish

        上述程序所消耗时间过于长，T(n)=n^3，我们将算法进行改进：

import time
start_time = time.time()
for a in range(1000):
    for b in range(1000):
        c = 1000 - a - b
        if a**2 + b**2 == c**2:
            print('a,b,c:%d,%d,%d' % (a, b, c))
end_time = time.time()
print('time:%d'%(end_time-start_time))
print('finish')
显示：time:1
     finish

        T(n)=n^2*（1+1）=n^2*2 =O(n^2)

二、算法效率衡量

        1、时间复杂度：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数T(n)称为这一算法的“时间复杂性”。当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。

        2、大O记法：对于单调的整数函数f，如果存在一个函数g和实常数c>0，使得对于充分大的n总有f(n)<=c*g(n)，就说函数g是f的一个渐进函数，记为f(n)<=O(g(n))。也就是说，在趋向无穷的极限意义下，函数f的增长受到g的约束，亦即函数g的特征相似。T(n)=c*g(n)，g(n)是T(n)的大O表示法。

        3、最坏时间复杂度：算法完成工作最多需要多少基本操作。最坏时间复杂提供了一种保证，表明算法在此种成都的基本操作中一定能完成工作。一般最坏时间复杂度使我们所关注的。

        4、时间复杂度的几条基本计算规则：

               基本操作：即只有常数项，认为其时间复杂度为O(1)。

               顺序结构：时间复杂度按加法进行计算。

               循环结构：时间复杂度按乘法进行计算。

               分支结构：时间复杂度取最大值。

          在没有特殊情况说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度。

        5、常见的时间复杂度

三、Python中数据结构的复杂度（未完待续。。。）