一、数据结构
1.1 什么是数据结构？
在计算机科学中，数据结构是一种 数据组织、管理和存储的格式。它是相互之间存在一种或多种特定关系的数据元素的集合。---> 通俗点，数据结构就是数据的组织形式 ， 研究数据是用什么方式存储在存储在g'v计算机中的
1.2 为什么会有数据结构？
1） 随着计算机的发展和应用范围的拓展，计算机需要处理的数据量越来越大，数据类型越来越多，数据之间的关系也越来越复杂。
2）这就要求⼈们对计算机加工处理的数据进行系列的研究，即研究数据的特性、数据之间存在的关系，以及如何有效的组织、管理存储数据， 从而提高计算机处理数据的效率。
1.3 数据结构的三要素
1.3.1 逻辑结构
数据结构：数据中各元素之间的逻辑关系
他只关心数据中各个元素之间的关系 ， 并不关心数据在内存中存储的
1）集合： 所有数据只是放在一个集合中 ， 彼此之间再没有其他联系
2）线性结构：数据之间只存在一对一的关系
3）树：数据之间是一对多的关系
4）图结构：数据之间存在多对多的关系
1.3.2 存储结构
存储结构又称 物理结构 ， 但是存储二字 更能理解 ，后续我们统称为数据结构。
存储结构 顾名思义 ， 就是如何把数据在计算机中存储。
1） 顺序存储：把逻辑上相邻的元素存储在 物理上也相邻的存储单元中 ---> 数组（逻辑、物理上都是连续的）
2）链式存储：逻辑上两个元素相邻 ， 但是物理结构上不一定相邻
1.3.3 数据的运算
数据的运算，（针对数据的各种操作） ， 包括数据结构的实现 ， 以及基于数据结构上的各种操作。
---> 意思是 ， 我们已经知道了一堆数据中 各个元素之间的关系 ， 也知道这堆数据应该在内存中如何存储 。
----> 那么接下来就是写代码 ， 完成我们的需求
二、算法
2.1 什么是算法？
简单来说 ---> 算法就是一系列的步骤 ， 用来将输入数据转化为输出结果（用来解决问题）
2.2 算法好坏的度量
算法A ： 需要 开辟大小为N 的空间
const int N = 1e5 + 10;
int a[N];
int sum(int n)
{
// 先把 1 ~ n 存起来
for(int i = 1; i <= n; i++)
{
a[i] = i;
}
// 循环逐个数字相加
int ret = 0;
for(int i = 1; i <= n; i++)
{
ret += a[i];
}
return ret;
}算法B：不需要开辟空间 ， 直接求和；
int sum(int n)
{
// 循环逐个数字相加
int ret = 0;
for (int i = 1; i <= n; i++)
{
ret += i;
}
return ret;
}算法执行所需资源的个数与问题的规模 n 有关 。因此可以根据算法执行过程中对空间的消耗来衡量算法的好坏 ， 这就是空间复杂度 。
算法C：需要循环 n 次 ， ret += n 语句会执行 n 次 ， 而且随着问题规模的增长 ， 执行次数也会增长 。
int sum(int n)
{
int ret = 0;
// 循环逐个数字相加
for (int i = 1; i <= n; i++)
{
ret += i;
}
return ret;
}算法D ： 不管问题规模 n 为多少 ， ( 1 + n ) * n / 2 语句只会执行1次。
int sum(int n)
{
// 利⽤求和公式
return (1 + n) * n / 2;
}算法中基本语句总的执行次数与问题规模 n 有关 。因此可以根据算法执行过程中 ， 所有语句被执行的次数之和来衡量算法的好坏 ， 这就是时间复杂度 。
综上所述 ， 时间和空间的消耗情况就是我们度量一个算法好坏的标准 ， 也就是时间复杂度和空间复杂度 。
2.3 时间复杂度
在计算机中 ， 算法的时间复杂度是一个函数式 T（N）， 他定量描述了该算法的运行时间 。这个T（N）函数式计算了程序中语句的执行次数 。
计算一下 fun 中++count 语句总共执行了多少次 。
void fun(int N)
{
int count = 0;
for(int i = 0; i < N; i++)
{
for(int j = 0; j < N; j++)
{
++count; // 执⾏次数是 n*n，也就是 n^2
}
}
for(int k = 0; k < 2 * N; k++)
{
++count; // 执⾏次数是 2*n
}
int M = 10;
while(M--)
{
++count; // 执⾏次数 10
}
}
2.3.1 大O表示法
因此，在计算时间复杂度的时候，一 般会把中对结果影响不大的项忽略掉 ，这种表示时间复杂度的方式称 为大 O 渐进时间复杂度 - 粗略的估计方式 ，只看影响时间开销最大的⼀项。
2.3.2 最优、平均和最差时间复杂度
案例：在 n 个整形元素数组中，检测 x 是否存在，若存在返回其在数组中的下标，否则返回 −1 。
int find (int a[], int n, int x)
{
for (int i = 0; i < n; i++)
{
if (a[i] == x)
return i;
}
return -1;
}
无论是在竞赛还是工程中，算法的时间复杂度⼀般为最差情况。 因为最差情况是人对⼀件事情所能承受的底线 ，因此 find 算法的时间复杂度为 O(n ) 。
2.3.3 时间复杂度计算案例
案例一：
案例二：
基本语句 ++count 关于问题规模 n 总执行次数的数学表达式为: f ( n ) = 1000 ；不论 n 如何变化， ++count 总的执行次数都是 1000 ，故时间复杂度为： O(1) 。
案例三：
void func3(int m, int n)
{
for (int i = 0; i < m; i++)
{
printf("hello\n");
}
for (int i = 0; i < n; i++)
{
printf("hello\n");
}
}基本语句 printf("") 总的执行次数为 f(m, n) = m + n ；m 和 n 的变化都是影响基本语句执行次数， 即m 和 n 都是问题规模， 故时间复杂度为O ( m + n ) ， 或者也可以表示为 O(max（m,n)) 。
案例四：
基本语句 printf("") 总的执行次数为 f(m, n) = m x n ；
m 和 n 的变化都是影响基本语句执行次数， 即m 和 n 都是问题规模， 故时间复杂度为O ( m x n )
案例5：
void func5(int n)
{
int cnt = 1;
while (cnt < n)
{
cnt *= 2;
}
}
案例六：
注意，这里只是简易的估算方式。递归算法的时间复杂度严谨的计算方法是 利用主定理 (Master Theorem)来求得递归算法的时间复杂度 。O( n )
2.4 空间复杂度
在算法竞赛中，空间复杂度就是整个程序在解决这个问题时， ⼀共使用了多少空间。相比较于时间复杂度，空间复杂度就没那么受关注，因为多数情况下题目所给的内存限制是非常宽裕的。 但是，这并不表明可以肆无忌惮的使用空间，一旦超出给定的限制，程序也是不会通过的。 - MLE
案例一：冒泡排序
#include <iostream>
using namespace std;
const int N = 20;
int arr[N];
int main()
{
int n = 0;
cin >> n;
int i = 0;
//输入
for(i=0; i < n; i++)
cin >> arr[i];
//排序
for(i = 0; i < n-1; i++)
{
int j = 0;
for(j = 0; j <= n-1-i; j++)
{
if(arr[j] < arr[j+1])
{
int tmp = arr[j];
arr[j] = arr[j+1];
arr[j+1] = tmp;
}
}
}
//输出
for(i=0; i < n; i++)
{
cout << arr[i] << endl;
}
return 0;
}
案例二：递归求阶乘
2.5 常见复杂度的增长对比
2.6 算法中的时间和空间限制
1. 信息学竞赛中，C++ 通常设定 1 到 2 秒的时间限制，运行次数在 10^7 ⾄ 10^8 之间。2.空间限制在128MB 或 256MB ，可以开⼀个3 x 10 ^7 大小的int 类型数组，或者5000x5000大小的二维数组，⼀般情况下都是够⽤的。
三、STL
3.1 C++标准库
1） 造轮子指的是重复发明已有的算法，或者重复编写现成优化过的代码。2）造轮子通常耗时好力，同时效果还没有别人好。但若是为了学习或者练习，造轮子则是必要的。
