标签：
大学上数据结构课都逃了，后来发现其重要，期间又自己抱起书学了一遍，因为当时懒，自学的成果也不大，如今工作有一年了，也写过几个项目越来越感觉数据结构对个人思想的重要，如今趁裸辞的空窗期，好好恶补下，顺便写个笔记总结下。仅为个人笔记用所以不排版写到哪算哪。
1，数据结构，是相互之间存在一种或多种关系的数据元素的集合
从不同角度讨论，有不同的分类
物理结构：顺序存储结构，链式存储结构
逻辑结构：线性结构，集合结构，树形结构，图形结构
2.数据类型，是指一组性质相同的值得类型的集合以及在此集合上的一些操作
抽象数据类型：是只一个数学模型及定义在该模型上的一组操作(像java的类?)
3.算法，是解决特定问题求解步骤的描述，在计算机中表先为指令的有限序列。并且每条指令表示一个或多个操作
五个特性：输入输出、有穷性、确定性、可行性
好的算法设计应该具有，正确定，可读性，健壮性(例：当输入不合法时，不报莫名奇妙的错误)，高效率，低存储量(用最短的是时间办最大的事)
算法效率统计方法：
事后统计法(笨法，外部因素太多，舍弃)
事前分析估算方法：例如：分析执行次数、执行时间
A算法：2n+3 ；B算法：3n+1 哪个快？答：不一定 n的值不同 情况不同
由上引出 函数的渐近增长：给定两个函数F(n)和G(n)，如果存在一个整数N，使得对于所有的n>N，F(n)总是比G(n)大，那么我们说F(n)的增长渐近快于G
+1 +3并不影响算法最终变化，忽略常数，最高次项的常数也同理并不重要
最高次项指数大的增长的越快，判断一个算法的效率时，其他项可以忽略，只要关心最高阶项的阶数
基本可以分析出：某个算法随着n越来越大，可能会越来越优于另一算法，这其实就是通过时间复杂度估算算法时间效率
时间复杂度：T(n) = O(f(n)) 随着n的增大T(n)增长越慢的算法为最优算法
简单推到时间复杂度方法：1.用常数1取代所有加法常数。2，在1的基础上保留最高阶数。3，除去最高阶数的乘数 例：常数阶O(1)(只能是1不能是其他数字) 线性阶O(N) 平方阶O(N2) 对数阶 立方阶，指数阶还有其他....
常用的时间复杂度所耗费的时间顺序:O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(2n)<O(n!)<O(nn)
最坏时间复杂度(默认)，平均时间复杂度
空间复杂度：S(n) = O(f(n)) f(n)为语句关于n所占存储空间的函数
3.线性表，零个或多个元素的有限序列
标签：
原文地址：http://www.cnblogs.com/zmdandy/p/5626229.html
