数据结构算法2--算法
最近面试不多，在家好好学习一下数据结构算法。虽然在大一还是大二的时候学过严蔚敏的数据结构，当时年少无知，上课神游过去了，考试都不知道是怎么糊里糊涂及格了。智商是硬伤呀，开始学习数据结构算法了，希望能够变聪明。
传统上，我们把数据结构分为逻辑结构和物理结构
逻辑结构：是指数据对象中数据元素之间的相互关系
物理结构：是指数据的逻辑结构在计算机中的存储形式。
集合结构 当今的我肯定是最棒的
线性结构 一对一
树形结构 数据元素之间存在一种一对多的层次关系
图形结构 数据元素多对多的关系 通过6个人可以认识所有的人
物理结构
如何把数据元素存储到计算机的存储器中
主要针对内存
顺序存储结构 是把数据元素存放在地址连续的存储单元里， 其数关系和物理关系是一致的。
链式存储结构 是把数据元素存放在任意的存储单元里，这组存储单元可以是连续的，也可以是不连续的。 叫号 而在等待的时候你爱在哪里在哪里 数据元素的存储关系不能反映其逻辑关系，因此需要用一个指针存放数据元素的地址，这样子通过指针就可以找到相关联的数据元素的位置。
算法 算法是解决特定问题求解步骤的描述，在计算机中表现为指令的有限序列，并且每条指令表示一个或者多个操作。 追女朋友的技巧和方式。
算法的五大特征 1 输入 具有0个或者多个
2 输出 至少有一个或者多个输出
3 有穷行
4 确定性
5 可行性
算法设计的要求 1 正确性
2 可读性
3 健壮性
4 时间效率高和存储量低
算法效率的度量方法
事前分析估算方法 1 算法采用的策略 ，方案 2 编译产生的代码质量 3问题的输入规模 4机器执行指令的速度。算法的侧重点是研究算法随着输入规模扩大增长的一个抽象，而不是精确地定位需要执行多少次，因为如果这样的话，我们就得考虑编译器优化等问题。只关心实现算法。
函数的渐近增长
判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项（最高项）的阶数。
算法时间复杂度的定义：在惊醒算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T（n）随n的变化情况并确定T（n）的数量级。算法的时间复杂度，也就是算法的时间量度，记作：T(n）= O（f（n））。它表示随问题规模n的增大，算法执行时间的增长率和f（n）的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f（n）是问题规模n的某个函数。 大O （）记法
--用常数1取代运算时间中的所有加法常数。
--在修改后的运行次数函数在在，只保留最高阶项。
--如果最高阶项存在且不是1，则去除与这个项相乘的常数。
--得到的最后结果就是大O阶。
常数阶
int sum = 0，n = 100；
printf（“i love xiaofang”）；
sum = （1 + n）*n/2；
O(1)
线性阶
一般含有非嵌套循环涉及线性，线性阶就是随着问题规模n的扩大，对应计算次数呈直线增长。
int i，n = 100，sum = 0；
for（i = 0；i<n;i++)
{
sum = sum + i;
}
这段代码的时间复杂度为O（n）因为循环体中的代码需要执行n次。
平方阶
上面是单个循环，嵌套循环。
int i，j， n = 100；
for（i= 0；i < n; i++)
{
for(j=0;j<n;j++)
{
printf("helle");
}
}
这段代码的时间复杂度为O（n^2)
对数阶
int i= 1，n = 100；
whlie（i<n)
{
i = i * 2;
}
循环次数为log（2）n 所以O（logn）。
函数调用的时间复杂度分析
void func(int count) {
int j;
for(j=count;j<n;j++) {
printf("%d",j);
}
}
时间复杂度为O(n^2).
n++； // 执行1次
func(n); // 执行n^2
for(i=0;i<n;i++) {
func(i); // n^2
}
for(i=0;i<n;i++) {
for(j=i;j<n;j++) { // n^2
printf("%d",j)
}
}
常见的时间复杂度
最坏情况 和 平均情况
*我们查找一个有n个随机数组成的某个数字，最好的情况是第一个就是，那么算法的时间复杂度为O(1),但是也可能这个数字就在最后一个位置，那么时间复杂度为O（n）。
*平均运行时间是期望的运行时间。
*最坏运行时间是一种保证。在应用中，这是最重要的需求，通常除非特别指定，我们提运行时间都是最坏的运行时间。
算法的空间复杂度
*我们在写代码的时，完全可以空间来还时间。
*算法的空间复杂度通过计算算法所需要的存储空间实现，算法的空间复杂度的计算公式记作：S(n) = O（发（n）），其中，n为问题的规模，f（n)为语句有关n内存空间的函数
