1.数据结构——引入概念（笔记）

引入

先看一道题：
       如果 a+b+c=1000，且 a^2 +b^2= c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?
       第一种方法：穷举法。
       选择3个for循环遍历所有a,b,c的值（a:0-1000，b:0-1000,c=1000），然后结合限制条件，得出符合条件的所有a,b,c的值。

import time

start_time = time.time()

# 注意是三重循环
for a in range(0, 1001):
    for b in range(0, 1001):
        for c in range(0, 1001):
            if a**2 + b**2 == c**2 and a+b+c == 1000:
                print("a, b, c: %d, %d, %d" % (a, b, c))

end_time = time.time()
print("elapsed: %f" % (end_time - start_time))
print("complete!")

运行结果：

a, b, c: 0, 500, 500
a, b, c: 200, 375, 425
a, b, c: 375, 200, 425
a, b, c: 500, 0, 500
elapsed: 214.583347
complete!

可以看出该方法花费时间是：214.583347秒。（time.time（）是获取当前的时间，单位是秒）
       第二种方法：
       因为a+b+c=1000，所以根据数学知识，我可以知道，当a,和b知道的时候，c可以算出，c=1000-a-b。

import time

start_time = time.time()

# 注意是两重循环
for a in range(0, 1001):
    for b in range(0, 1001-a):
        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("elapsed: %f" % (end_time - start_time))
print("complete!")

运行结果：

a, b, c: 0, 500, 500
a, b, c: 200, 375, 425
a, b, c: 375, 200, 425
a, b, c: 500, 0, 500
elapsed: 0.182897
complete!

运行的时间:0.182897秒
第一种方法明显慢于第二种方法。

算法的提出

算法是独立存在的一种解决问题的方法和思想
       上面的两种解决问题都是算法。
       同时，对于算法而言，实现的语言并不重要，重要的是思想，（我这里是用Python实现），算法可以有不同的语言描述实现版本（如C描述、C++描述、Python描述等）。

算法的五大特性

1. 输入: 算法具有0个或多个输入。
2. 输出: 算法至少有1个或多个输出。（得有结果，毕竟是为了解决问题）
3. 有穷性: 算法在有限的步骤之后会自动结束而不会无限循环，并且每一个步骤可以在可接受的时间内完成。
4. 确定性：算法中的每一步都有确定的含义，不会出现二义性。
5. 可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

算法效率衡量

       上面得第二种算法明显在时间上优于第一中算法。由此我们可以得出结论：实现算法程序的执行时间可以反应出算法的效率，即算法的优劣。
       但是单靠时间值，并不是可靠的，因为不同的电脑跑同一个程序就会有不同运行时间，毕竟电脑配置不同。单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的！

       引出——时间复杂度与“大O记法”

时间复杂度与“大O记法”

       时间复杂度：假设存在函数g，使得算法A处理规模为n的问题示例所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)

       n是问题规模，回到上面得引出概念的一道题目，该题要求a+b+c=1000，但是，如果将1000改为其他数比如100或者其他，这样就会产生一系列规模的问题，这一系列的问题规模就可以用，a+b+c=n表示，这个n就是问题规模。

       “大O记法”：对于单调的整数函数f，如果存在一个整数函数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的一个渐近函数（忽略常数），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的增长速度受到函数g的约束，亦即函数f与函数g的特征相似。

这就是和高等数学中的求极限类似（最简单的求极限的那种）。

如何理解“大O记法”
       对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为3n^2 和 100n^2属于同一个量级，如果两个算法处理同样规模实例的代价分别为这两个函数，就认为它们的效率“差不多”，都为 n^2级。

时间复杂度的几条基本计算规则

1. 基本操作，即只有常数项，认为其时间复杂度为O(1)
2. 顺序结构，时间复杂度按加法进行计算
3. 循环结构，时间复杂度按乘法进行计算
4. 分支结构，时间复杂度取最大值
5. 判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略
6. 在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度

最坏时间复杂度

分析算法时，存在几种可能的考虑：

• 算法完成工作最少需要多少基本操作，即最优时间复杂度
• 算法完成工作最多需要多少基本操作，即最坏时间复杂度
• 算法完成工作平均需要多少基本操作，即平均时间复杂度

对于最优时间复杂度，其价值不大，因为它没有提供什么有用信息，其反映的只是最乐观最理想的情况，没有参考价值。

对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。

对于平均时间复杂度，是对算法的一个全面评价，因此它完整全面的反映了这个算法的性质。但另一方面，这种衡量并没有保证，不是每个计算都能在这个基本操作内完成。而且，对于平均情况的计算，也会因为应用算法的实例分布可能并不均匀而难以计算。

因此，主要关注算法的最坏情况，亦即最坏时间复杂度。

空间复杂度

类似于时间复杂度的讨论，一个算法的空间复杂度S(n)定义为该算法所耗费的存储空间，它也是问题规模n的函数。

渐近空间复杂度也常常简称为空间复杂度。

空间复杂度(SpaceComplexity)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。

由于现在内存发展的很快，现在的电脑内存都很大，一般都满足，所以现在讨论的比较少。除非很大的程序。

算法的时间复杂度和空间复杂度合称为算法的复杂度。