数据结构与算法笔记：Big-O记号, 数据结构与算法的关系以及几种基本的数据结构

关于算法

• 算法其实有无数种，就市面上的算法而言，普通人可能知道的算法不到千百分之一，但是我们却可以一定程度上驾驭算法，是因为我们知道算法设计的策略
• 我们在解决问题的时候，头脑中想到的都是策略，这些算法可以串成一串，每一串可能都是基于一种策略设计出来的

Big-O 记号

• 我们研究算法，需要懂得如何判断算法的优劣，越好的算法消耗的资源就越少
• 计算的资源有两点：一个是时间，另一个空间，我们最主要关注的其实还是时间

• 同一个算法在解决某一个问题的时候，针对不同的n(问题的规模), 它所需要的时间成本running time, 画成一条曲线T(n)
• T(n)这个函数就是当我们给定了一个规模为n的特例之后，用这个算法在某一个特定n所需要消耗的时间成本，一般来说，是一条这样的曲线。
• 在实际情况中，并不能精确得到这条曲线，其实也没有必要得到这条曲线，我们只要知其大略即可，即粗略的估计
• T(n) = O(f(n))
  • 用一个f(n)去粗略的估计T(n), 如果这个估计可行的话，再在其前面加个O，这样来表示。
  • 可以估计的条件：$\exists c>0s.t.T(n)<c\cdot f(n)\forall n>>2$
    • 取一个c，当问题规模足够大的时候(这里$\forall n>>2$表示足够大)，使得 $T(n)<c\cdot f(n)$
    • 也就是这时候的$c\cdot f(n)$ 可以估计T(n), 这个f(n)的曲线如上图虚线表示
    • 这样估计的好处是：常系数，低次项从此可忽略，即：$O(f(n))=O(c\cdot f(n));O(n^a+n^b)=O(n^a),a\ge b>0$
    • 举个例子：$E_x:\sqrt{5n\cdot [3n\cdot (n+2)+4]+6}<\sqrt{5n\cdot [6n^2+4]+6}<\sqrt{35n^3+6}<6\cdot n^{1.5}=O(n^{1.5})$

算法和数据结构的关系

• 算法和数据结构是一个硬币的两面, 好的算法在研究透了以后会慢慢积淀为数据结构
• 高级算法的支撑都来自于数据结构

几种基本的数据结构

1 ) Array & Vector

• 最基本的线性结构是Array，一个线性的序列
• n个元素排成一行，下标从0开始，到n-1结束，如果要用n表示，请注意左闭右开
• 表示方法：A[n]、A[0, n-1]、A[0, n)
• Array后来被封装起来变成了Vector，对外提供快速操作的接口
• Array和Vector都可以以常数O(1)的时间找到某一下标k对应的元素A[k]
• 但是移动元素(删除、插入)很麻烦，需要一个个的操作

3 ) List & Linked List

• 和Vector对应的另一种线性结构List, 由一组元素构成，它们之间排成队
• 在List的内部，拿第k号元素来说，有它的后继和前驱元素, 它们之间都是以一个切实的称之为link(succ,pred)的东西来彼此指引
• 在Array和Vector中是以call by rank的方式来操作元素，在List中是以call by position的方式来操作
• List的好处是拆掉某一元素只要重新拼接断点处即可，所以这种数据结构操作元素(添加,删除)很简单
• List在查找的时候,比如从某一端0顺藤摸瓜找到1，继而找到其他, 所以查找操作很慢，和Vector正好互补

3 ) Stack

• 栈也是一个线性的次序，像是堆椅子一样, 后进先出，LIFO
• 添加元素push只能加到开放的一端，也就是栈顶
• 栈顶元素叫做top
• 弹出元素pop也是从栈顶弹出
• 算法的精妙都蕴含在这些push，pop的组合之中

6 ) Queue

• 和栈并列的一种数据结构叫做Queue队列，是个线性结构，先进先出 FIFO
• 进队操作叫做 enqueue, 出队操作叫做 dequeue, 分别由两端各司其职
• 队列入口的地方叫做rear后端, 出口叫做front前端
• 从后端 enqueue，从前端 dequeue
• 这是一种效率最高最公平的资源分配机制
• 在计算机中，CPU的时间在不同进程中享用，多个进程并发使用CPU
• CPU会把所有占用资源的进程组织成一个queue, 以这种方式来轮值服务，从而达到一种整体公平和高效

7 ) (Binary) Tree

• 树是一种半线性模型(分叉有方向)，树就像是一个家族一样慢慢繁衍，分支越来越多，形成代际关系，是一种无环的结构
• 树结构举例：互联网域名，计算机目录等，一层套一层其实是比较头疼的，主要是不规范，难以管理，如上图的第三颗树
• 进而衍生了上图的第二颗树, 每个父节点只需要管理它自己的’长子’ 由’长子’管理’次子’，以及’长子’的孩子, 依次有章法的管理下去
• 对于第二棵树的优势是：只需要记住谁是自己的’弟弟’，谁是自己的’长子’即可。
• 注：这里不考虑性别，只按男性称为来表示，当然也可以用女性称谓。
• 继而优化变形，八字排开，变成了第一棵树，对于A节点来说, 长子D和弟弟B并列排开，变成了二叉树结构
• 这时候每个节点不再有任意节点了，而最多只有两个孩子
• 我们很多时候研究树的结构都是倾向于二叉树结构，有时候也会有多叉树结构

8 ) Graph as Matrix

• 图是一种较为复杂的数据结构，如微信里的好友关系，对等和不对等
• 第一个图是无向图，第二个是有向图，第三个是网络图
• 分别可用下面矩阵形式表示
  • 无向图对称型, 有冗余，真正有效的只有一半
  • 有向图, 不对称, 不浪费
  • 网络图，有关系，也有权重，可对称，可不对称，来源于数学
• 网络图占用资源非常巨大，有很多没有用的东西，需要进一步优化, 下面来谈谈

9 ) Graph as Vector < List >

• 通过Vector<list>来表示Graph, 也就是 Graph as Vector<list>
• 竖向用一个Vector表示，Vector的每一行都是一个个的List
• 只记录有效的部分，无效部分略过，节省了很多空间
• 但是在查找效率上有一定的低效，需要找到Vector的入口，期望在相应的List中找到目标元素
• 其实数据结构和算法没有万能的，没有万能的算法解决所有问题
• 我们学的其实是一种折中的方法，找到一个解决问题的平衡策略