绪论

• 1: 数据结构基本概念
• 2: 算法基本概念

1 - 数据结构基本概念

数据结构

数据结构（Data Structure）是 存储、组织和管理数据的方式，它不仅决定了数据的存储形式，也影响数据访问和操作的效率。

分类

mindmap
  root((数据结构<br/>Data Structure))
    线性结构
      数组 Array
        连续内存
        随机访问快
        插入删除慢
      链表 Linked List
        节点指针连接
        插入删除快
        访问慢
      栈 Stack
        后进先出 LIFO
        函数调用
        表达式求值
      队列 Queue
        先进先出 FIFO
        任务调度
      双端队列 Deque
        两端可操作
    树形结构
      二叉树<br/>Binary Tree
      二叉搜索树<br/>BST
      堆 Heap
        优先队列实现
      平衡树
        AVL树
        红黑树
    图结构
      有向图
      无向图
      存储方式
        邻接矩阵
        邻接表
      应用场景
        路径搜索
        社交网络建模
    散列表<br/>Hash Table
      哈希函数
      快速查找
      应用
        字典
        缓存

考试中涉及的数据结构可以分为以下几种：

1. 线性结构（元素之间有顺序关系）
   • 数组（Array）：连续内存，随机访问快，插入删除慢
   • 链表（Linked List）：节点通过指针连接，插入删除快，访问慢
   • 栈（Stack）：后进先出（LIFO），用于函数调用、表达式求值
   • 队列（Queue）：先进先出（FIFO），用于任务调度
   • 双端队列（Deque）：两端都可以操作
2. 树形结构（元素之间有层级关系）
   • 二叉树（Binary Tree）
   • 二叉搜索树（BST）
   • 堆（Heap）：优先队列实现
   • 平衡树（AVL、红黑树）
3. 图结构（元素之间有网络关系）
   • 有向图 / 无向图
   • 邻接矩阵 / 邻接表存储
   • 常用于路径搜索、社交网络建模
4. 散列表（Hash Table）
   • 通过哈希函数实现快速查找
   • 常用于字典、缓存

算法

算法（Algorithm）是 解决问题的一系列步骤或方法，用来操作数据结构，实现具体功能。

数据结构和算法的关系

• 数据结构提供“容器”
• 算法提供“操作方法”
• 好的数据结构可以让算法更高效
• 算法的设计也依赖数据结构特性

💡 举例：

• 用数组实现栈 → 可以快速访问栈顶
• 用链表实现队列 → 插入删除都很快
• 用堆实现优先队列 → 可以快速找最大/最小值
• 用图 + BFS → 可以找最短路径

2 - 算法基本概念

什么是算法

算法 (Algorithm) 是一个明确规定了操作步骤的有限指令集，用于计算函数、处理数据、解决一个特定问题或执行某个任务。

算法 的基本属性：

1. 明确性：每一步骤必须有明确且不含糊的定义。
2. 有输入和输出：算法 应有 0 个或更多的 输入 和 1 个或更多的 输出。输入 是在 算法 开始之前提供的，而 输出 是在 算法 结束时产生的。
3. 有限性：如果 算法 在执行完有限步骤后终止，那么它就是 有限的。换句话说，一个 算法 必须总是在执行有限次操作后结束。
4. 可行性：算法 中的每一步都应该是简单且基本的，这样它们可以在有限的时间内完成并由计算机执行。
5. 独立性：算法 的指令应该有普适性，也就是说，它们不应依赖于任何特定的编程语言或模型。相反，算法 应该足够通用，可以在任何编程环境中实现。

效率度量

时间复杂度

时间复杂度（Time Complexity）是计算机科学中衡量一个 算法运行效率 的重要指标。它主要描述了当输入规模（通常记为 $n$）不断增大时，算法执行所需的 基本操作次数 的增长趋势。

在算法的时间复杂度分析中， 基本操作次数指的是一个算法中执行时间固定的 最小操作单元。你可以把它理解为计算机执行一次最基础、最原始的指令所花费的时间。

这些基本操作通常包括：

• 算术运算：例如，加、减、乘、除、取模等。
• 比较运算：例如，小于、大于、等于等。
• 赋值操作：将一个值赋给一个变量。
• 逻辑运算：例如，与、或、非等。

计算方法

设输入规模为 $n$，算法执行所需的 基本操作次数 记为 $T(n)$。 为了衡量算法效率，我们关心 $T(n)$ 随 $n$ 增大的增长趋势，而不是精确的操作次数。

时间复杂度就是 $T(n)$ 的 渐近上界，常用 大 $O$ 符号 表示为：

$$ T(n) = O(f(n)) $$

其中 $f(n)$ 是能反映 $T(n)$ 增长速度的函数。 换句话说，时间复杂度刻画的是 当 $n$ 趋于无穷大时，算法执行时间随输入规模增长的量级。

常见时间复杂度

常见的 时间复杂度（按增长速度排序）有：

• $O(1)$：常数时间。无论 输入 数据有多大，算法 都在恒定的时间内完成。
• $O(\log n)$：对数时间。例如：二分搜索。
• $O(n)$：线性时间。例如：简单的搜索 算法。
• $O(n \log n)$：线性对数时间。例如：高效的排序 算法，如归并排序。
• $O(n^2)$、$O(n^3)$ …：多项式时间。例如：冒泡排序、插入排序和选择排序是 $O(n^2)$。
• $O(2^n)$：指数时间。例如：计算斐波那契数列的递归实现。
• $O(n!)$：阶乘时间。例如：旅行商问题的暴力解决方法。

空间复杂度

空间复杂度（Space Complexity）是衡量 算法执行过程中所需存储空间 随输入数据量增长而变化的指标。它不仅包括算法中用来存放 输入数据 的空间，还包括 辅助变量、递归调用栈 等临时空间。与时间复杂度类似，我们关注的是 增长趋势，通常只关注最高阶的量级，用大 $O$ 符号表示。

组成

1. 固定部分
   • 包括常量、程序代码本身、简单变量、常量数组等。
   • 这一部分的空间大小与输入数据规模无关，通常记为 $O(1)$。
2. 可变部分
   • 随着输入数据量的变化而变化的空间，主要包括：
     • 输入数据本身（如数组、链表）
     • 辅助空间（如临时数组、栈、队列等）
     • 递归调用栈（递归深度对空间占用有直接影响）

常见空间复杂度

常见的 空间复杂度（按增长速度排序）有：