个人概述
数据结构与算法是在面试中占据了比较重要的地位，特别是在互联网企业和一些创业型公司中，掌握常用的线性数据结构、数结构、图结构和基本的算法(贪心算法、分支算法等)显得格外重要；
为什么要学习算法与数据结构？
- 面试准备
- 个人编程能力的提升，特别是在白板编程的情况下。另外有助于在开发过程中用好框架和类库，例如掌握Java中的ArrayList、LinkedList等底层的链表实现原理，有助于在日常的开发中进行合理的选择，提成系统的服务性能
- 高效优雅的代码
什么是算法与数据结构？
- 算法是对特定问题求解步骤的一种描述，是旨在解决特定问题的有序指令集(输入、输出、确定性、可行性和有穷性)
- 数据结构是计算机存储组织数据的方式
- 数据结构是算法的基石，程序=算法+数据结构
算法时间复杂度
为什么讨论算法复杂度？
如何评判一个算法的性能优劣？直接想法——实验测试，把代码跑一遍，通过统计、监控就能得到算法执行的时间和占用的内存大小，由于测试环境和测试数据的各异，这种直接实验的方式是难以反映算法的执行效率；
- 不同的算法可能适应不同的输入规模
- 不同的算法可能适应不同类型的输入
- 同一个算法，了能由不同的程序员、用不同的语言、由不同的编译器编译
- 同一个算法，可能被运行在不同的OS、不同体系的计算机上
RAM(Random Access Model)模型的引入
在RAM模型中，算法的运行时间就与算发需要执行的指令操作次数成正比，记为T(n)，即算法为求解规模为n的问题所需要执行的指令操作次数；
Big O概念的引入
大O的定义：存在常数c和函数f(n)，使得当n >= c时，T(n) <= f(n)，表示为T(n) = O(f(n))，它表示随着输入大小n的增大，算法执行需要的时间的增长速度可以用f(n)来描述；
与T(n)相比，f(n)更加简洁，f(n)是T(n)的临近上界，依然能够反映出增长趋势，Big O中的常数项和底次项可忽略；
常数项忽略描述：O(f(n)) = O(c * f(n))，O(f(n)) = O(c + f(n))
底次项忽略描述：O(n^a + n^b) = O(n^a),a > b > 0如果一个算法的执行次数为T(n)，那么只保留高次项，同时忽略最高项的系数后得到函数f(n)，此时算法的时间复杂度就是O(f(n))；
这里需要注意当程序中存在递归调用的时候，需要依赖主定理计算公式计算算法时间复杂度；
主定理
主定理最早出现在《算法导论》中，提供了分治方法带来的递归表达式的渐近复杂度分析。规模为n的问题通过分治，得到a个规模为n/b的问题，每次递归带来的额外计算为c(n^d)，具体关于定理的证明可参考算法导论这本书；
常见算法的时间复杂度和空间复杂度算法时间复杂度分析是一个很重要的问题，任何一个程序员都应该熟练掌握其概念和基本方法，而且要善于从数学层面上探寻其本质，才能准确理解其内涵。
其中c是一个常量，如果一个算法的复杂度为c、log2^n、n、n*log2^n，那么这个算法的时间效率比较高，如果是2^n、n!，那么稍微大一些的n就会命令这个算法不能动了
总结
小编建议大家平成可以在LeetCode、lincode等平台上多练习并掌握一些基础的算法思维和语言编程，同时可以看看《大话数据结构》、《计算机程序设计艺术》等了解常用的数据结构和基础算法；当然后续也将持续对基础的线性结构，树结构和图结构做持续更新；
