一、数据结构
- 数组（Array）
- 定义：数组是一种最简单、最基本的数据结构，它是由相同类型的元素组成的有序集合。这些元素在内存中是连续存储的，通过索引（从 0 开始）来访问每个元素。例如，在一个整数数组
int[] arr = {1, 2, 3, 4, 5};中，arr[0]表示第一个元素 1，arr[1]表示第二个元素 2，以此类推。 - 操作：
- 访问元素：通过索引访问元素的时间复杂度为，这是数组的一个重要优势。因为数组在内存中的存储是连续的，计算机可以根据起始地址和索引直接计算出元素的内存地址。例如，对于一个长度为 n 的数组，要访问第 i 个元素，计算其内存地址的公式为
起始地址 + i * 每个元素占用的字节数。 - 插入元素：在数组中间插入元素比较复杂。如果要在数组的第 i 个位置插入一个元素，需要将第 i 个位置及以后的元素向后移动一位，为新元素腾出空间。平均时间复杂度为，因为在最坏情况下，需要移动数组中一半的元素。例如，在一个已经有 10 个元素的数组中插入一个新元素到第 3 个位置，需要将第 3 个位置及以后的 9 个元素都向后移动一位。
- 删除元素：类似地，从数组中间删除一个元素也需要移动元素。如果要删除第 i 个元素，需要将第 i + 1 个位置及以后的元素向前移动一位。平均时间复杂度也为。例如，从一个有 8 个元素的数组中删除第 4 个元素，需要将第 5 个元素及以后的 4 个元素向前移动一位。
- 应用场景：
- 数组适用于存储和访问一组固定大小、类型相同的数据。在很多编程语言中，数组是最基本的数据类型，用于实现其他更复杂的数据结构。例如，在实现栈和队列时，可以使用数组作为底层存储结构。在存储和处理图像像素数据、矩阵运算等场景中，数组也发挥着重要作用。
- 链表（Linked List）
- 定义：链表是一种线性的数据结构，由一系列节点组成。每个节点包含数据部分和指向下一个节点的指针（在单链表中）。例如，一个简单的单链表节点结构可以定义为：
class ListNode {
int val;
ListNode next;
ListNode(int val) {
this.val = val;
this.next = null;
}
}
- 操作：
- 访问元素：要访问链表中的某个元素，需要从链表头开始逐个遍历节点。如果要访问第 n 个元素，在最坏情况下需要遍历 n 个节点，时间复杂度为。例如，在一个有 10 个节点的链表中查找第 7 个节点，需要从第一个节点开始，依次经过 6 个节点才能找到。
- 插入元素：在链表中插入元素相对灵活。如果要在节点 p 之后插入一个新节点 q，只需要将 q 的 next 指针指向 p 的 next，然后将 p 的 next 指针指向 q，时间复杂度为。例如，在一个链表中，要在节点值为 3 的节点之后插入一个新节点，只需要修改两个指针即可。
- 删除元素：删除链表中的一个元素也比较简单。如果要删除节点 p 之后的节点 q，只需要将 p 的 next 指针指向 q 的 next 即可，时间复杂度为。例如，在一个链表中删除某个指定值的节点，首先找到该节点的前驱节点，然后按照上述方法进行删除。
- 应用场景：
- 链表适用于需要频繁插入和删除元素的场景。例如，在实现一个动态的数据集合，如操作系统中的进程调度队列，链表可以方便地添加和移除进程节点。在多项式运算、图形处理等领域，链表也有广泛的应用。
- 栈（Stack）
- 定义：栈是一种特殊的线性数据结构，它遵循后进先出（LIFO - Last In First Out）的原则。可以把栈想象成一个只有一端开口的容器，元素只能从这个开口进出。例如，在一个栈中，先放入元素 A，再放入元素 B，那么取出元素时，先取出的是 B，然后是 A。
- 操作：
- 入栈（Push）：将一个元素添加到栈顶，时间复杂度为。例如，在一个栈中，使用
push操作将新元素压入栈顶，就像在一摞盘子上再放一个盘子一样。 - 出栈（Pop）：从栈顶取出一个元素，时间复杂度为。例如，在栈顶元素被取出后，栈的高度就会减少一个单位。
- 查看栈顶元素（Peek）：获取栈顶元素的值，但不将其从栈中取出，时间复杂度为。
- 应用场景：
- 栈在表达式求值、函数调用（用于保存函数调用的上下文信息，如局部变量、返回地址等）、括号匹配等场景中有广泛应用。例如，在计算一个包含括号的算术表达式时，栈可以用来检查括号是否匹配。
- 队列（Queue）
- 定义：队列是另一种特殊的线性数据结构，它遵循先进先出（FIFO - First In First Out）的原则。可以把队列想象成一个排队的队伍，先进入队列的元素先离开。例如，在一个超市的收银队列中，先排队的顾客先结账。
- 操作：
- 入队（Enqueue）：将一个元素添加到队尾，时间复杂度为。例如，在一个队列中，新的顾客在队尾排队等待服务。
- 出队（Dequeue）：从队头取出一个元素，时间复杂度为。例如，在队头的顾客完成服务后离开队列。
- 查看队头元素（Peek）：获取队头元素的值，但不将其从队列中取出，时间复杂度为。
- 应用场景：
- 队列在广度优先搜索（BFS）算法、任务调度、消息队列等场景中有广泛应用。例如，在计算机网络中，消息队列可以用来暂存等待处理的消息，按照先入先出的顺序进行处理。
- 树（Tree）
- 定义：树是一种非线性的数据结构，它由节点（Node）和边（Edge）组成。树有一个根节点（Root），每个节点可以有零个或多个子节点。例如，二叉树是一种特殊的树，每个节点最多有两个子节点。以下是一个简单二叉树节点的定义：
class TreeNode {
int val;
TreeNode left;
TreeNode right;
TreeNode(int val) {
this.val = val;
this.left = null;
this.right = null;
}
}
- 操作：
- 遍历（Traversal）：
- 前序遍历（Pre - order Traversal）：先访问根节点，然后递归地访问左子树和右子树。例如，对于二叉树，前序遍历的顺序是根 - 左 - 右。这种遍历方式在复制树结构、表达式求值等场景中有应用。
- 中序遍历（In - order Traversal）：先访问左子树，然后访问根节点，最后访问右子树。对于二叉树，中序遍历的顺序是左 - 根 - 右。在对二叉搜索树（BST - Binary Search Tree）进行中序遍历时，可以得到一个有序的节点序列，这在排序和查找等场景中有应用。
- 后序遍历（Post - order Traversal）：先访问左子树，然后访问右子树，最后访问根节点。对于二叉树，后序遍历的顺序是左 - 右 - 根。后序遍历在计算树的高度、释放树节点内存等场景中有应用。
- 插入节点（Insertion）：在二叉搜索树中插入一个节点，需要根据节点的值与当前节点的值比较，决定向左子树还是右子树插入。时间复杂度平均为，在最坏情况下（树退化为链表）为。例如，在一个二叉搜索树中插入一个新节点，需要从根节点开始比较，直到找到合适的插入位置。
- 删除节点（Deletion）：在二叉搜索树中删除一个节点比较复杂。如果要删除的节点是叶子节点，直接删除即可；如果是有一个子节点的节点，将其子节点替换它；如果是有两个子节点的节点，通常用其右子树中的最小节点（或左子树中的最大节点）来替换它。时间复杂度平均为，最坏情况为。
- 应用场景：
- 树在文件系统、数据库索引（如 B + Tree）、语法树（在编译器设计中）、决策树（在机器学习和数据挖掘中）等领域有广泛应用。例如，在数据库索引中，B + Tree 结构可以高效地存储和检索数据，减少磁盘 I/O 操作。
- 图（Graph）
- 定义：图是一种更为复杂的非线性数据结构，它由顶点（Vertex）和边（Edge）组成。边可以表示顶点之间的关系，边可以是有向的（Directed）或无向的（Undirected）。例如，在一个社交网络中，人可以看作顶点，人与人之间的朋友关系可以看作边。
- 操作：
- 遍历（Traversal）：
- 深度优先搜索（DFS - Depth - First Search）：从一个起始顶点开始，沿着一条路径尽可能深地探索，直到不能再前进，然后回溯到上一个未完全探索的顶点，继续探索其他路径。例如，在一个迷宫中，使用深度优先搜索可以找到从入口到出口的一条路径。
- 广度优先搜索（BFS - Breadth - First Search）：从一个起始顶点开始，先访问它的所有邻居顶点，然后再访问邻居顶点的邻居顶点，以此类推。例如，在一个社交网络中，使用广度优先搜索可以找到与一个人距离为 1、2、3 等的朋友。
- 最短路径问题（Shortest Path Problem）：在有向图或无向图中，寻找两个顶点之间的最短路径。例如，在地图导航中，寻找两个地点之间的最短行驶路线。解决最短路径问题的算法有迪杰斯特拉算法（Dijkstra's Algorithm）、弗洛伊德算法（Floyd's Algorithm）等。
- 应用场景：
- 图在社交网络分析、交通网络规划、电路设计、计算机网络拓扑等众多领域有广泛应用。例如，在互联网的路由算法中，图可以用来表示网络节点之间的连接关系，通过最短路径算法来优化数据传输路径。
二、算法
- 排序算法
- 冒泡排序（Bubble Sort）：
- 原理：它是一种简单的排序算法，通过反复比较相邻的元素并交换位置，将最大（或最小）的元素逐步 “冒泡” 到数组的一端。例如，对于一个整数数组
int[] arr = {5, 4, 3, 2, 1}，第一轮比较会将 5 交换到最后，第二轮将 4 交换到倒数第二的位置，以此类推。 - 时间复杂度：最坏情况和平均情况都是，最好情况（数组已经有序）是。这是因为在最坏情况下，每一对相邻元素都需要交换，总共需要进行次比较。
- 空间复杂度：，因为它只需要几个额外的变量来进行元素交换，不需要额外的存储空间来存储数据。
- 插入排序（Insertion Sort）：
- 原理：将一个元素插入到已经有序的子数组中的合适位置。例如，对于数组
int[] arr = {3, 1, 4, 2, 5}，开始时认为第一个元素 3 是有序的，然后将 1 插入到合适位置，得到{1, 3, 4, 2, 5}，接着将 4 插入，以此类推。 - 时间复杂度：最坏情况是，平均情况也是，最好情况（数组已经有序）是。这是因为在最坏情况下，每次插入一个元素都需要移动前面的所有元素。
- 空间复杂度：，和冒泡排序一样，它只需要少量的额外变量。
- 选择排序（Selection Sort）：
- 原理：每次从未排序的元素中选择最小（或最大）的元素，将其与未排序部分的第一个元素交换。例如，对于数组
int[] arr = {4, 3, 2, 1, 5}，第一轮会选择 1 并与 4 交换，得到{1, 3, 2, 4, 5}，然后在剩余的{3, 2, 4, 5}中选择 2 交换，以此类推。 - 时间复杂度：无论最好、最坏还是平均情况，都是。因为每次选择最小元素都需要遍历未排序部分的所有元素。
- 空间复杂度：。
- 快速排序（Quick Sort）：
- 原理：通过选择一个基准元素（Pivot），将数组分为两部分，左边部分的元素都小于等于基准元素，右边部分的元素都大于等于基准元素。然后对左右两部分递归地进行排序。例如，对于数组
int[] arr = {5, 2, 7, 1, 9}，选择 5 作为基准元素，经过一次划分后得到{1, 2} 5 {7, 9}，然后对{1, 2}和{7, 9}分别进行排序。 - 时间复杂度：平均情况是，最坏情况（每次选择的基准元素都是最大或最小元素）是。在平均情况下，每次划分可以将数组分为大致相等的两部分，递归的深度为，每层需要的时间来划分。
- 空间复杂度：最坏情况是，平均情况是。这是因为在最坏情况下，需要个栈空间来存储递归调用的信息，而在平均情况下，递归深度为。
- 归并排序（Merge Sort）：
- 原理：将数组分为两部分，对每一部分递归地进行排序，然后将排序好的两部分合并。例如，对于数组
int[] arr = {3, 1, 4, 2}，先分为{3, 1}和{4, 2}，分别排序得到{1, 3}和{2, 4}，然后合并得到{1, 2, 3, 4}。 - 时间复杂度：无论最好、最坏还是平均情况，都是。因为每次划分需要的时间，总共需要划分次，每次合并需要的时间。
- 空间复杂度：，因为在合并过程中需要一个临时数组来存储合并后的元素。
- 搜索算法
- 线性搜索（Linear Search）：
- 原理：从数组的第一个元素开始，逐个比较元素与目标元素，直到找到目标元素或者遍历完整个数组。例如，在数组
int[] arr = {1, 3, 5, 7, 9}中寻找 7，需要从第一个元素开始比较，直到找到 7 或者遍历完所有元素。 - 时间复杂度：最好情况是（目标元素是第一个元素），最坏情况是（目标元素是最后一个元素或者不存在），平均情况是。
- 空间复杂度：，因为只需要几个额外的变量来进行比较。
- 二分搜索（Binary Search）：
- 原理：适用于已排序的数组。每次比较中间元素与目标元素，如果目标元素小于中间元素，就在左半部分继续搜索；如果大于中间元素，就在右半部分继续搜索；如果等于中间元素，就找到了目标元素。例如，在已排序数组
int[] arr = {1, 3, 5, 7, 9}中寻找 7，首先比较中间元素 5，因为 7 大于 5，所以在右半部分{7, 9}中继续搜索。 - 时间复杂度：最好情况是（第一次比较就找到目标元素），最坏和平均情况都是。因为每次比较都可以将搜索范围缩小一半。
- 空间复杂度：。
- 图算法
- 迪杰斯特拉算法（Dijkstra's Algorithm）：
- 原理：用于在带权重的有向图（也可以用于无向图）中寻找一个顶点到其他顶点的最短路径。它维护一个顶点集合，每次选择距离起始顶点最近的未包含在集合中的顶点，将其加入集合，并更新与它相邻顶点的距离。例如，在一个城市交通图中，每个城市是一个顶点，城市之间的道路长度是权重，迪杰斯特拉算法可以用来计算