一直写增删改查着实提升不了自己的编码的水平，是时候提升一下自己的内功了，数据结构与算法还是非常有必要要学习一下的，仅开此栏单单为了记录自己学习数据结构 的学习进程喝进度，目标是三个月左右的时间，从链表到哈夫曼树全部掌握，已经对应的leetcode上对应的习题的编写与练习，加快自己学习的进程，茁壮成长!!!
我个人学数据结构的目的也很清晰仅仅为了提升自己
写出性能更高的程序 ◼ 快速学习新技术 ◼ 打开一扇全新的大门 ◼ 趁脑子还没生锈，攻克它。一次掌握，终生受益 记录一下第一天的学习内容，复杂度
这个测试的代码是用经典的斐波那契数列来进行测试的，简单明了言简意赅
//斐波那契数列的第一种方法
public static int fib1( int n) {
if (n<=1) {
return n;
}
return fib1(n-1)+fib1(n-2);
}
//斐波那契数列的第二种办法
public static int fib2(int n) {
if (n<=1) {
return n;
}
int first=0;
int second=1;
for (int i = 0; i <n-1; i++) {
int sum=first+second;
first=second;
second=sum;
}
return second;
}
public static void main(String[] args) {
int n=35;
Times.test("fib1", new Task() {
public void execute() {
System.out.println(fib1(n));
}
});
Times.test("fib2", new Task() {
public void execute() {
System.out.println(fib2(n));
}
});
}
测试用例
可以看到明显是第二种算法的效率更高，更快，这里面就牵扯到了大0算法，之前一直学部明白这个大O算法到底是怎么个意思，今天是彻底明白了！！！
如果单从执行效率上进行评估，可能会想到这么一种方案
比较不同算法对同一组输入的执行处理时间 这种方案也叫做：事后统计法
◼ 上述方案有比较明显的缺点
执行时间严重依赖硬件以及运行时各种不确定的环境因素
必须编写相应的测算代码
测试数据的选择比较难保证公正性
◼ 一般从以下维度来评估算法的优劣 正确性、可读性、健壮性（对不合理输入的反应能力和处理能力）
时间复杂度（time complexity）：估算程序指令的执行次数（执行时间）
空间复杂度（space complexity）：估算所需占用的存储空间
大O表示法（Big O）
◼ 忽略常数、系数、低阶
9 >> O(1)
2n + 3 >> O(n)
n2 + 2n + 6 >> O(n2)
4n3 + 3n2 + 22n + 100 >> O(n3)
写法上，n3 等价于 n^3
◼ 注意：大O表示法仅仅是一种粗略的分析模型，是一种估算，能帮助我们短时间内了解一个算法的执行效率
◼ O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)
当然推荐看一下这个博主对时间复杂度和空间复杂度分析的很到位
