MaoLin Tian's Blog

算法与数据结构一直是我感觉难以迈过去的坎，后悔大学的时候没有好好学习，导致造成了内心的阴影，每次都有逃避的情绪在里面，这次决定通过学习和实践王争的《数据结构与算法之美》来帮助自己迈过去。按照这门课程的学习路线划为四个阶段： 入门篇：掌握时间、空间复杂度的概念，大 O 表示法的由来，各种复杂度分析技巧，以及最好、最坏、平均、均摊复杂度分析方法，掌握 基础篇：掌握最基础、最常用的数据结构和算法，例如数组、链表、栈、队列、二叉树等。这部分我感觉类似于二八原则，可以用20%的世界快速获得性价比最高的80%的基础内

数据结构和算法本身解决的是快和省的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。衡量标准就是算法的时间复杂度和空间复杂度。复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构和算法的内容基本上就掌握了一半。 时间复杂度 我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法，算法的时间复杂度反映了程序执行时间随输入规模增长而增长的量级，在很大程度上能很好反映出算法的优劣与否，这就是算法的时间复杂度。 算法执行时间需通过依据该算法编制的

线性数据结构中的元素之间存在一种明确的顺序关系，而非线性数据结构则在元素之间没有这样的顺序要求，允许更为复杂的关联关系。很抱歉，作为一个文本AI模型，我无法直接绘制图表，但我可以为您列出常见的算法和数据结构分类，并为每个分类提供简要说明。您可以根据这些信息自行绘制图表。：通过将问题分解为更小的子问题来解决问题的算法，如递归求阶乘、斐波那契数列等。：用于对数据集中的元素进行排序的算法，如冒泡排序、插入排序、快速排序等。：将问题分解为独立的子问题，分别解决后再合并它们的解决方案，如归并排序。