《恋上数据结构与算法》第1季:算法概述
数据结构与算法的学习笔记目录:《恋上数据结构与算法》的学习笔记 目录索引
算法概述
- 1. 算法和数据结构
- 1.1 什么是算法
- 1.2 什么是数据结构
- 2. 时间复杂度
- 2.1 如何判断一个算法的好坏呢?
- 2.2 基本操作执行次数
- 2.3 大O表示法
- 3. 空间复杂度
- 3.1 概念定义
- 4. 算法优化
- 5. 总结
1. 算法和数据结构
1.1 什么是算法
//计算a和b的之和
public static int plus(int a, int b){return a + b;
}//计算1+2+3...+n的和
public static int sum(int n){int result = 0;for(int i = 1; i <= n; i++){result += i;}return result;
}
1.2 什么是数据结构
算法的概念大家大致明白了吧,那数据结构又是什么呢?
我的理解是:数据结构是算法的基石。如果把算法比喻成美丽灵动的舞者,那么数据结构就是舞者脚下广阔而坚定的舞台。
数据结构(data structure),是数据的组织、管理和存储格式,其使用目的是为了高效地 访问 和 修改数据。
那你们知道数据结构都有哪些组成方式吗?
- 线性结构
线性结构是最简单的数据结构,包括数组、链表、以及由它们衍生出来的栈、队列、哈希表… - 树
舒适相对复杂的数据结构,其中比较又代表性的是二叉树,由它衍生出了二叉堆之类的数据结构… - 图
图是更为复杂的数据结构,因为在图中会呈现出多对多的关联关系… - 其他数据结构
除了以上所说的,还有像跳表、哈希链表、位图等等,之后都会涉及讲解到的。
有了数据结构这个舞台,算法才可以尽情舞蹈。在解决问题时,不同的算法会选用不同的数据结构。例如排序算法中的堆排序,利用的就是二叉堆这样的一种数据结构;再如缓存淘汰算法LRU(Least Recently Used)利用的就是特殊的数据结构哈希链表。
关于算法在不同数据结构上的操作过程,在后续会进行一一的学习滴。
2. 时间复杂度
2.1 如何判断一个算法的好坏呢?
衡量算法的好坏有很多标准,其中最重要的两大标准是算法的时间复杂度和空间复杂度。
在上述场景中,小灰虽然也按照老板的要求实现了功能,但他的代码中存在两个很严重的问题。
运行时间长
运行别人的代码只要100ms,而运行小灰的代码则要100s,使用者肯定是无法忍受的。占用空间大
别人的代码只消耗5MB的内存,而小灰的代码却要消耗500MB的内存,则会给使用者造成很多麻烦。
由此可见,运行时间的长短和占用内存空间的大小,是衡量一个程序好坏的重要因素。
● 时间复杂度(time complexity):估算程序指令的执行次数(执行时间)
● 空间复杂度(space complexity):估算所需占用的存储空间
但问题来了,如果代码都还没运行,我怎么能预知代码运行所花的时间呢?
由于受影响环境的和输入规模的影响,代码的绝对执行时间是无法预估的。但我们却可以预估代码的基本操作执行次数。
2.2 基本操作执行次数
关于代码的基本操作执行次数,就是说每条语句在操作中执行多少次。下面就举代码例子说明
代码1:T(n) = 1,执行次数是常量
public static void test1(int n) {// if语句执行次数:1if (n > 10) { System.out.println("n > 10");} else if (n > 5) { // 2System.out.println("n > 5");} else {System.out.println("n <= 5"); }// for语句执行次数:1(int i = 0) + 4(i < 4) + 4(i ++) + 4(System...) = 13for (int i = 0; i < 4; i++) {System.out.println("test");}}
代码2:T(n) = 1 + 3n,执行次数是线性的
public static void test2(int n) {// 1(int i = 0) + 3n(i < n, i++, System...)for (int i = 0; i < n; i++) {System.out.println("test");}
}
代码3:T(n) = 3n^2 + 3n + 1,执行次数是用多项式计算的
public static void test3(int n) {// 1 + 2n + n * (1 + 3n)【内存循环在外层循环n次基础上在计算次数】// = 1 + 2n + n + 3n^2// = 3n^2 + 3n + 1// O(n^2)for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {System.out.println("test");}}
}
代码4:T(n) = 48n + 1,执行次数是线性的
public static void test4(int n) {// 1 + 2n + n * (1 + 15 + 15 + 15)// = 1 + 2n + 46n// = 48n + 1for (int i = 0; i < n; i++) {for (int j = 0; j < 15; j++) {System.out.println("test");}}
}
代码5:T(n) = log2(n),执行次数是对数
public static void test5(int n) {// 8 = 2^3// 16 = 2^4// 3 = log2(8)// 4 = log2(16)//log2(n)while ((n = n / 2) > 0) {System.out.println("test");}
}
代码6:T(n) = log5(n),执行次数是对数
public static void test6(int n) {//25 = 5^2// log5(n)while ((n = n / 5) > 0) {System.out.println("test");}
}
代码7:T(n) = 1 + 3*log2(n) + 2 * nlog2(n),执行次数是对数
public static void test7(int n) {// 1 + 2*log2(n) + log2(n) * (1 + 3n)// = 1 + 3*log2(n) + 2 * nlog2(n)for (int i = 1; i < n; i = i * 2) {// 1 + 3nfor (int j = 0; j < n; j++) {System.out.println("test");}}
}
代码8:T(n) = 1 + 3n,执行次数是线性的
public static void test8(int n) {int a = 10;int b = 20;int c = a + b;int[] array = new int[n];// 1 + n + n + n// = for (int i = 0; i < array.length; i++) {System.out.println(array[i] + c);}
}
2.3 大O表示法
有了基本操作执行次数的函数T(n),是否就可以分析和比较代码的运行时间了呢?还是有一定困难的。
例如算法A的执行次数是T(n)=100,算法B的执行次数是T(n)=5n^2,这两个到底谁的运行时间更长一些呢?这就要看n的取值了。
因此,为了解决时间分析的难题,有了渐进时间复杂度( asymptotic time complexity)的概念,其官方定义如下:
若存在函数f(n),使得当n趋近于无穷大时,T(n)/f(n) 的极限值为不等于零的常数,则称f(n) 是 T(n)的同数量级函数。记作 T(n) = O(f(n)),O为算法的渐进时间复杂度,简称为时间复杂度。
因此,渐进时间复杂度用大写O表示,所以也被称为大O表示法。
这个定义好晦涩呀,看不明白!
直白来说,时间复杂度就是把程序的相对执行时间函数T(n)简化为一个数量级,这个数量级可以是n、n2、n3等。
如何推导出时间复杂度呢?有如下几个原则:
● 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
让我们回头看看刚才那些代码。
代码1:
T(n) = 1,只有常数量级,则转化的时间复杂度为:T(n) = O(1)
代码2:
T(n) = 1 + 3n,最高阶项为3n,省去系数3和常量1,则转化的时间复杂度为:T(n) = O(n)
代码3:
T(n) = 3n^2 + 3n + 1,最高阶项为3n^2,省去系数3、3n和常量1,则转化的时间复杂度为:T(n) = O(n^2)
代码3:
T(n) = 1 + 3*log2(n) + 2 * nlog2(n),最高阶项为 2 * nlog2(n),省去系数2和常量1,则转化的时间复杂度为:
T(n) = O(nlog(n))
注意细节:
1. 大O表示法仅仅是一种粗略的分析模型,是一种估算,能帮助我们短时间内了解一个算法的执行效率
2. 对数阶的细节
a. 对数阶一般省略底数
log2n = log29 ∗ log9n
b. 所以 log2n 、log9n 统称为 logn
常见种类
根据从小到大排列,常见的算法时间复杂度主要有:
O(1) < O(log N) < O(N) < O(Nlog N) < O(N^2) < O(2^N) < O(N!) < O(N^N)
3. 空间复杂度
3.1 概念定义
● 输入空间: 存储输入数据所需的空间大小;
● 暂存空间: 算法运行过程中,存储所有中间变量和对象等数据所需的空间大小;
● 输出空间: 算法运行返回时,存储输出数据所需的空间大小;
通常情况下,空间复杂度指在输入数据大小为 N 时,算法运行所使用的「暂存空间」+「输出空间」的总体大小。
● 数据空间:
算法中的各项变量使用的空间,包括:声明的常量、变量、动态数组、动态对象等使用的内存空间。
class Node {int val;Node next;Node(int x) { val = x; }
}void algorithm(int N) {int num = N; // 变量int[] nums = new int[N]; // 动态数组Node node = new Node(N); // 动态对象
}
int test() {return 0;
}void algorithm(int N) {for (int i = 0; i < N; i++) {test();}
}
算法中,栈帧空间的累计常出现于递归调用。如以下代码所示,通过递归调用,会同时存在 NN 个未返回的函数 algorithm() ,此时累计使用 O(N)大小的栈帧空间。
int algorithm(int N) {if (N <= 1) return 1;return algorithm(N - 1) + 1;
}
4. 算法优化
● 用尽量少的存储空间
● 用尽量少的执行步骤(执行时间)
根据情况,可以
● 空间换时间
● 时间换空间
关于空间复杂度的知识,我们就介绍到这里。时间复杂度和空间复杂度都是学好算法的重要前提,一定要牢牢掌握哦!
5. 总结
- 空间复杂度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,用大O表示,记作S(n)=O(f(n))
- 常见的空间复杂度按照从低到高的顺序,包括O(1)、O()、O(n)等。其中递归算法的空间复杂度和递归深度成正比。
《恋上数据结构与算法》第1季:算法概述相关推荐
- 【恋上数据结构与算法 第二季】【04】图-基础实现_遍历_拓扑排序
持续学习&持续更新中- 学习态度:脚踏实地 [恋上数据结构与算法 第二季][04]图-基础实现_遍历_拓扑排序 图的实现方案 邻接矩阵 邻接表 图的基础接口 顶点.边的定义 图的基础实现 图的 ...
- 归并排序算法 C++实现与时间复杂度(考过)恋上数据结构笔记
复习梗概 画图,自己整个数组,看代码写步骤,这个对理解归并排序还是很有必要的 合并两个有序数组的merge函数写法 时间复杂度的分析方法!!! 其实我觉得去b站找个动态的步骤分解视频也是不错的复习方法 ...
- 插入排序算法 及其二分搜索优化版 C++代码实现 恋上数据结构笔记
复习梗概 文章目录 复习梗概 插入排序算法思想 插入排序时间复杂度与特性(多少,与什么有关?) 插入排序基础版 插入排序2nd优化版(优化了哪里?) !!!插入排序二分搜索优化版(优化了哪里?如何优化 ...
- 《恋上数据结构第1季》二叉搜索树BST
二叉搜索树(BinarySearchTree) BST 接口设计 BST 基础 添加元素: add() 删除元素: remove() 删除节点 – 叶子节点 删除节点 – 度为1的节点 删除节点 – ...
- 《恋上数据结构第1季》动态数组实现栈
栈(Stack) 栈的应用 – 浏览器的前进和后退 栈的接口设计 动态数组实现栈 练习题 逆波兰表达式求值 有效的括号 数据结构与算法笔记目录:<恋上数据结构> 笔记目录 想加深 Java ...
- MJ恋上数据结构(第1季 + 第2季)笔记
文章转载自:https://blog.csdn.net/weixin_43734095/article/details/104847976 恋上数据结构完整笔记(第1季 + 第2季) 前言 数据结构 ...
- 快速排序 C++代码实现及其算法思想及时间复杂度分析及优化 恋上数据结构笔记
文章目录 复习梗概 算法思想 算法复杂度分析及稳定性 如何优化? 快速排序改进版代码C++ 快速排序个人青春版代码 完整代码 复习梗概 算法思想,别的排序名字直接就能让人联想到它的算法思想,唯独快速排 ...
- 《恋上数据结构第1季》B树
B树 m阶B树的性质 B树 vs 二叉搜索树 搜索 添加 – 上溢 添加 – 上溢的解决(假设5阶) 删除 删除 – 叶子节点 删除 – 非叶子节点 删除 – 下溢 删除 – 下溢的解决 4阶B树 数 ...
- 《恋上数据结构第1季》二叉树代码实现
二叉树(BinaryTree) BinaryTree 基础 遍历(先序.中序.后序.层次遍历) 先序遍历: preorder() 中序遍历: inorder() 后序遍历: postorder() 层 ...
最新文章
- [CQOI2011]动态逆序对
- java的同步关键字_简单了解Java synchronized关键字同步
- 万物之始正则表达式全解析三部曲(中篇)-正则表达式运算符优先级及匹配规则
- Spring Boot Debug调试
- LeetCode 302. 包含全部黑色像素的最小矩形(BFS)
- 基础组件完善的今天,如何通过业务组件提效?
- CCNA笔记:Access Lists
- Git学习笔记一《版本控制之道-使用Git》
- 关于dom4j中jaxen运行报错问题
- 苹果6s微信网络未连接服务器,微信网络连接不可用怎么解决?苹果手机微信网络连接不可用?...
- 9367: 【动态规划】雷涛的小猫
- 百练 2809 计算2的N次方
- Minecraft 从入门到入坑(边玩游戏边学编程)
- 图形界面 I: 用于表单按钮的函数与删除界面元素 (第四章)
- 已知分布函数求概率密度例题_高中数学必修一函数知识点总结
- 马化腾发飚了:很多业务该砍就要砍
- 番茄工作法总结-第四章:中断
- python数据处理方法汇总
- 读现代操作系统第一二章笔记
- 2022-2028全球燃气供应系统(FGSS)行业调研及趋势分析报告
热门文章
- Big Faceless PDF Library大型机的任何Java平台运行
- xshell6使用技巧_Xshell 6怎么设置为中文-Xshell 6设置为中文的方法 - 河东软件园
- C++23种设计模式(22)-中介者模式
- 【测试招聘】资深面试官的测试工程师面试心得
- 机器学习笔记(吴恩达老师)
- 计算机一级胶卷出现文件异常,解决IOS相机胶卷导入照片后堆在最新照片的问题...
- k8s pod 详述
- edge使用html2协议,Legacy Microsoft Edge developer documentation
- hdu5594 ZYB's Prime
- 上海BFC外滩金融中心潮流新店,aaddd揭秘全新生活美学