目录

算法

评价标准

时间的复杂度

概念

推导原则

举例

空间的复杂度

定义

情形

运用场景

数据结构

组成方式

---

算法

在数学领域，算法是解决某一类问题的公式和思想；

计算机科学领域，是指一系列程序指令，用于解决特定的运算和逻辑问题；

评价标准

衡量算法好坏的重要标准是：时间复杂度和空间复杂度；

代码运行时间的长短和占用内存空间的大小，是衡量程序好坏的重要因素。

时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间

时间的复杂度

概念

        计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间

推导原则

        如果运行时间是常数量级，则用常数1表示

        只保留时间函数中的最高阶项

        如果最高阶项存在，则省去最高阶项前面的系数

举例

例1：给小灰1个长度为10cm的面包，小灰每3分钟吃掉1cm，那么吃掉整个面 包需要多久？

        答案是：3×10即30分钟。

        如果面包的长度是n cm呢？

        此时吃掉整个面包，需要3乘以n即3n分钟。

        如果用一个函数来表达吃掉整个面包所需要的时间，可以记作T(n) = 3n，n为面 包的长度

例2：给小灰1个长度为16cm的面包，小灰每5分钟吃掉面包剩余长度的一半， 即第5分钟吃掉8cm，第10分钟吃掉4cm，第15分钟吃掉2cm……那么小灰把面包吃得 只剩1cm，需要多久呢？

        把面包吃得只剩下1cm，需要5×log16即20分钟。

        如果面包的长度是n cm呢？

        此时，需要5乘以logn即5logn分钟，记作T(n) = 5logn。                

设T(n)为程序基本操作执行次数的函数，n为输入规模，刚才的2个场景分别对应了程序中最常见的2种执行方式：

例1中：T(n) = 3n，执行次数是线性的；最高阶项为3n，省去系数3，则转化的时间复杂度为：T(n)=O(n)。

例2中：T(n) = 5logn，执行次数是用对数计算的；最高阶项为5logn，省去系数5，则转化的时间复杂度为：T(n) =O(logn)。

渐进时间复杂度用大写O来表示，所以也被称为大O表示法

空间的复杂度

        在运行一段程序时，我们不仅要执行各种运算指令，同时也会根据需要，存储 一些临时的中间数据，以便后续指令可以更方便地继续执行。

定义

        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；空间复杂度计算规则基本跟时间复杂度类似，也使用大O渐进表示法。

情形

1.常量空间：当算法的存储空间大小固定，和输入规模没有直接的关系时，空间复杂度记 作O(1)。

2.线性空间：当算法分配的空间是一个线性的集合（如数组），并且集合大小和输入规模n成 正比时，空间复杂度记作O(n)。

3.二维空间：当算法分配的空间是一个二维数组集合，并且集合的长度和宽度都与输入规模n 成正比时，空间复杂度记作O(n 2 )。

4.递归空间：递归是一个比较特殊的场景。虽然递归代码中并没有显式地声明变量或集合， 但是计算机在执行程序时，会专门分配一块内存，用来存储“方法调用栈”。

运用场景

        1.运算

        2.查找

        3.排序

        4.最优决策

数据结构

        是数据的组织、管理和存储格式，其使用目的是为了高效的访问和修改数据

组成方式

1.线性结构：最简单的数据结构，其中包括了数组、链表、以及衍生出来的栈、队列、哈希表

2.树：相对复杂的数据结构，其中有代表性的是二叉树，由它又衍生出二叉堆之类的数据结构

3.图：是更为复杂的数据结构，在图中会呈现出多对多的关联关系

4.其他数据结构：由基本数据结构变形而来，用于解决某些特定问题，如跳表、哈希链表、位图 等

注意：

        有了数据结构算法才能尽情地发挥；在解决问题时，不同的算法会选用不同的数据结构