一、数据结构前言
数据结构:内存中存储管理数据的结构
数据结构和数据库的区别:本质都是存储管理数据
数据结构--在内存中存储管理数据 数据库--在磁盘中存储管理数据
算法:对数据按要求进行某种处理。查找、排序
数据结构和算法的关系:你中有我,我中有你
二、算法的时间复杂度和空间复杂度
1.算法效率
1.1 如何衡量一个算法的好坏
1.2 算法的复杂度
算法运行时需要耗费时间资源和空间 ( 内存 ) 资源 ,因此 衡量一个算法的好坏,一般
是从时间和空间两个维度来衡量的 ,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间, 在计算机发展的早期,计算机的存储容量很小,所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度,所以我们如今已经不需要再特别关注一个算法的空间复杂度
2.时间复杂度
2.1 时间复杂度的概念
时间复杂度的定义: 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
一个算法运行时间跟硬件配置有关,所以同样一个算法是没办法算出准确的时间的
一个算法所花费的时间与其中语句的执行次数成正比例, 算法中的基本操作的执行次数,为算法
的时间复杂度
N个数 1000
冒泡排序 O(N^2) 100w
快速排序(qsort) O(N*logN) 1w
找到某条基本语句与问题规模 N 之间的数学表达式,就是算出了该算法的时间复杂度
// 请计算一下Func1中++count语句总共执行了多少次?
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
准确的时间复杂度函数式 F(N)=N*N+2*N+10
函数式计算的是算法运行的准确次数,不方便在算法之间进行比较难
2.2 大O的渐进表示法
例如:准确的时间复杂度函数式 F(N)=N*N+2*N+10
N=10 F(N)=130
N=100 F(N)=10210
N=1000 F(N)=1002010
随着N越大,后两项对结果的影响几乎可以忽略不计
大 O 符号( Big O notation ):是用于描述函数渐进行为的数学符号。
推导大 O 阶方法:
1 、用常数 1 取代运行时间中的所有加法常数。
2 、在修改后的运行次数函数中,只保留最高阶项。
3 、如果最高阶项存在且不是 1 ,则去除与这个项目相乘的常数。得到的结果就是大 O 阶。
通俗点说,时间复杂度就是估算它属于哪个量级的算法
2.3常见时间复杂度计算举例
实例 1 :
// 计算Func2的时间复杂度?
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
F(N)=2*N+10
时间复杂度O(N)
实例 2:
// 计算Func3的时间复杂度?
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k)
{
++count;
}
for (int k = 0; k < N ; ++ k)
{
++count;
}
printf("%d\n", count);
}
时间复杂度O(N+M)
如果不知道M和N的大小
如果N远大于M:O(N)
如果M远大于N:O(M)
如果M和N一样大:O(N)或O(M)
实例3 :
// 计算Func4的时间复杂度?
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
时间复杂度O(1)
实例 4:
// 计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
strchr:在字符串数组中查找一个字符
最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际中一般情况关注的是算法的最坏运行情况
实例 5:
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
算时间复杂度不能去数循环,这个不一定准确,一定要看算法思想来进行计算
F(N)=N-1+N-2+N+3+...+2+1=(1+N-1)*(N-1)/2
时间复杂度O(N^2)
最好的情况:O(N)不知道有没有序走一次没交换比较N-1次
实例 6:
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
最好:O(1)
最坏:找不到或缩小的区间只剩1个值
设数组中N个数N/2/2/2/2/2..../2=1除了几次2就找了几次,设找了x次,所以N除以x次2等于1
2^x=N,x=log2(N),所以O(logN)
时间复杂度计算的是算法的执行次数,一个执行次数不一定是一条语句,可能是多条语句,但肯定是常数条
因为在文本中不好写对数,而时间复杂度中log以2为底的N经常出现,所以把它简写成logN,其他底数的对数没有简写
实例 7:
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
调用n+1次O(1),时间复杂度O(N)
实例 8:
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
2^0+2^1+2^2+...+2^(N-2)等比数列求和2^(N-1)-1
实际小于2^(N-1)-1
时间复杂度O(2^N)
空间复杂度O(N)
时间是累积的,空间是不累计可以重复利用
3.空间复杂度
空间复杂度也是一个数学表达式,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
空间复杂度不是程序占用了多少 bytes 的空间,而是变量的个数,计算规则基本跟实践复杂度类似,也使用大 O 渐进表示法
注意: 函数运行时所需要的栈空间 ( 存储参数、局部变量、一些寄存器信息等 ) 在编译期间已经确定好了,因
此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
3.1 常见空间复杂度计算举例
实例 1 :
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
使用了常数个额外空间,所以空间复杂度为 O(1)
实例 2 :
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
动态开辟了 N 个空间,空间复杂度为 O(N)
实例 3 :
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
3 递归调用了 N 次,开辟了 N 个栈帧,每个栈帧使用了常数个空间。空间复杂度为 O(N)
4. 常见复杂度对比