数据结构与算法-入门篇-复杂度分析

一、入门篇

推荐一个课程：数据结构与算法之美(极客时间)

1. 为什么学习数据结构和算法

1. 直接好处是能够有写出性能更优的代码。
2. 算法，是一种解决问题的思路和方法，有机会应用到生活和事业的其他方面。
3. 长期来看，大脑思考能力是个人最重要的核心竞争力，而算法是为数不多的能够有效训练大脑思考能力的途径之一。

2. 学习的重点在什么地方

​ 数据结构和算法解决的是如何更省、更快地存储和处理数据的问题，因此，我们就需要一个考量效率和资源消耗的方法，这就是复杂度分析方法。在学习数据结构和算法的过程中，要学习它的「来历」、「自身的特点」、「适合解决的问题」以及「实际的应用场景」。

1. 数据结构和算法学习的精髓-复杂度分析
2. 最常用的、最基础的数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie 树
3. 最常用的算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法

3. 当我们要谈一个事物概念的时候，需要问自己三个终极问题:是什么？为什么？怎么样？

1. 什么是数据结构和算法

   数据结构，就是一组数据的存储结构。
   算法，就是操作数据的一组方法。
   数据结构是为算法服务的，算法要作用在特定的数据结构之上。

2. 为什么需要数据结构和算法
   来谈谈应用层面的原因。在计算机科学和互联网迅猛发展下，需要计算的数据量越来越庞大。但是计算机的计算能力是有限的，这么大量的数据计算，需要越来越多的计算机，需要越来越长的计算时间，注重效率的我们需要尽可能的提高计算效率。其中重要的一项，就是使用合适的数据结构和算法。选用合适的数据结构和算法，特别是在处理体量非常庞大的数据的时候，可以极大提高计算效率。那么，第三个问题来了，我们怎么选用合适的数据结构和算法？有什么衡量标准吗？

3. 怎么样衡量数据结构和算法
   需要引入一个衡量的标准(metric)—时间复杂度和空间复杂度。
   学习数据结构和算法的基石，就是要学会复杂度分析。知道怎么去分析复杂度，才能作出正确的判断，在特定的场景下选用合适的正确的算法。而不是盲目的死记烂背，机械操作。

4.什么是复杂度分析？

1. 数据结构和算法解决是“如何让计算机更快时间、更省空间的解决问题
2. 因此需从执行时间和占用空间两个维度来评估数据结构和算法的性能。
3. 分别用时间复杂度和空间复杂度两个概念来描述性能问题，二者统称为复杂度。
4. 复杂度描述的是算法执行时间（或占用空间）与数据规模的增长关系。

5.为什么要进行复杂度分析？

1. 和性能测试相比，复杂度分析有不依赖执行环境、成本低、效率高、易操作、指导性强的特点。
2. 掌握复杂度分析，将能编写出性能更优的代码，有利于降低系统开发和维护成本。

6. 如何进行复杂度分析？

1. 大O表示法

   1. 来源
      算法的执行时间与每行代码的执行次数成正比，用T(n) = O(f(n))表示，其中T(n)表示算法执行总时间，f(n)表示每行代码执行总次数，而n往往表示数据的规模。
   2. 特点
      以时间复杂度为例，由于时间复杂度描述的是算法执行时间与数据规模的增长变化趋势，所以常量阶、低阶以及系数实际上对这种增长趋势不产决定性影响，所以在做时间复杂度分析时忽略这些项。

2. 复杂度分析法则

   1. 单段代码看高频：比如循环。
   2. 多段代码取最大：比如一段代码中有单循环和多重循环，那么取多重循环的复杂度。
   3. 嵌套代码求乘积：比如递归、多重循环等
   4. 多个规模求加法：比如方法有两个参数控制两个循环的次数，那么这时就取二者复杂度相加。

3. 常用的复杂度级别？

   1. 多项式阶：随着数据规模的增长，算法的执行时间和空间占用，按照多项式的比例增长。包括，O(1)（常数阶）、O(logn)（对数阶）、O(n)（线性阶）、O(nlogn)（线性对数阶）、O(n^{2)（平方阶）、O(n}3)（立方阶）
   2. 非多项式阶：随着数据规模的增长，算法的执行时间和空间占用暴增，这类算法性能极差。包括，
      O(2^n)（指数阶）、O(n!)（阶乘阶）
      五、如何掌握好复杂度分析方法？
      复杂度分析关键在于多练，所谓孰能生巧。

7. 复杂度分析的4个概念

1. 最坏情况时间复杂度：代码在最理想情况下执行的时间复杂度。
2. 最好情况时间复杂度：代码在最坏情况下执行的时间复杂度。
3. 平均时间复杂度：用代码在所有情况下执行的次数的加权平均值表示。
4. 均摊时间复杂度：在代码执行的所有复杂度情况中绝大部分是低级别的复杂度，个别情况是高级别复杂度且发生具有时序关系时，可以将个别高级别复杂度均摊到低级别复杂度上。基本上均摊结果就等于低级别复杂度。

8. 为什么要引入这4个概念？

1. 同一段代码在不同情况下时间复杂度会出现量级差异，为了更全面，更准确的描述代码的时间复杂度，所以引入这4个概念。

2. 代码复杂度在不同情况下出现量级差别时才需要区别这四种复杂度。大多数情况下，是不需要区别分析它们的

3. 如何分析平均、均摊时间复杂度？

   1. 平均时间复杂度
      代码在不同情况下复杂度出现量级差别，则用代码所有可能情况下执行次数的加权平均值表示。
   2. 均摊时间复杂度
      两个条件满足时使用：1）代码在绝大多数情况下是低级别复杂度，只有极少数情况是高级别复杂度；2）低级别和高级别复杂度出现具有时序规律。均摊结果一般都等于低级别复杂度。

个人体会: 平均和平摊基本就是一个概念，平摊是特殊的平均。在分析时间复杂度是O(1)还是O(n)的时候最简单就是凭感觉，出现O(1)的次数远大于出现O(n)出现的次数，那么平均平摊时间复杂度就是O(1)。