学习视频：数据结构与算法基础（青岛大学-王卓）
算法的定义
解决问题的方法和步骤（有穷性、确定性、可行性、输入、输出）；
程序 = 数据结构 + 算法。
ps：健壮性，指处理出错的方法不应是中断程序的执行，而是输出一个代表出错的值。
算法的时间量度
一般采取事前分析的方法：
算法运行时间 = 一个简单操作所需的时间 * 简单操作的次数 ；
算法运行时间 = ∑ 每条语句执行的次数 （又称为语句频度）* 该语句指向一次所需的时间；
每条语句执行一次need的时间一般随机器而异，与算法无关，所以我们可以假设每条语句所需的时间均为单位时间，这样，算法运行时间就只取决于语句频度了。
算法运行时间 = 语句频度 * 单位时间；
ex：n*n矩阵相乘
for（i = 1; i <= n; i++）{
//执行n+1次
for(j = 1; j <= n; j++ ){
//执行n*（n+1）次
c[i][j] = 0； //执行n*n次
for(k = 0; k < n; k++) //执行n*n*(n+1)次
c[i][j] = c[i][j] + a[i][k] * b[k][j]； //执行n*n*n次
}
}
上述算法的时间消耗T(n)= 2 * n³ + 3 * n² + 2n + 1；
ex：算法的比较
T1(n) = 10n T2(n) = 5n²
根据算法的渐进时间复杂度：若有某个辅助函数f(n)，使得当n趋近于无穷大，T(n)/f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同量级函数，记作T(n) = O(f(n))，O(f(n))为算法的渐进时间复杂度；
所以T1好；
ex：T(n)= 2 * n³ + 3 * n² + 2n + 1，求其时间复杂度?
n趋近无穷时，T(n)/n³ = 2；
T(n) = O(n³ );
因此一般情况下，不必计算所有操作执行次数，只考虑算法中的基本操作（一般为次数最大的，即频度最大）执行的次数n，
排序：n为记录数；
矩阵：n为矩阵阶数；
多项式：n为项数；
集合：n我元素个数；
树： n为结点个数；
图： n为定点数或边数；
时间复杂度分析例题
attention：时间复杂度是由嵌套最深层语句的频度决定的
first：找到执行次数最多的；
second：找到f(n);
third:：取其数量级用符号"O"表示
有时，算法中基本操作重复执行的次数还随着问题的数据集不同而不同，例如顺寻查找a[i]中等于e的元素，返回其所在位置，最好情况1次，最坏情况n次，评价时间复杂度为O(n)；（一般考虑最坏）
加法规则：
T(n) = T1(n) + T2(n) = O(f(n)) + O(g(n)) = O(Max(f(n),g(n)))
乘法规则：
T(n) = T1(n) * T2(n) = O(f(n)) * O(g(n)) = O(f(n) * g(n))
算法时间效率比较
算法的空间量度
空间复杂度：算法所需存储空间的度量
S(n) = O(f(n))，n为问题的规模大小
学习视频：数据结构与算法基础（青岛大学-王卓）