数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。
*简述：
对内存进行数据管理
算法(Algorithm):就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。
简述：
对数据进行处理
*简述：
对硬盘进行数据管理
算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源。
因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。
即：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。
时间复杂度能让我们了解当前思路的执行程序次数。 当一个问题拥有几个解决的思路算出解决思路的时间复杂度，可知最优的解决思路
大O渐进表示法：
是用于描述函数渐进行为的数学符号。
估算出来的时间复杂度
推导大O阶方法：
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中，只保留最高阶项。
3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。
有些时间复杂度分为多种情况：例如： 最好 - 平均 - 最坏
能让算法的时间复杂度在预估计的执行范围内
// 计算Func2的时间复杂度？
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k) 这里执行2N次
{
++count;
}
int M = 10;
while (M--) 执行10次
{
++count;
}
printf("%d\n", count);
}
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k) 执行M次
{
++count;
}
for (int k = 0; k < N ; ++ k) N次
{
++count;
}
printf("%d\n", count);
}
实例3：输入参数与执行次数无关 执行常数次 所以是 O（1）
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
实例4：
这里从一个字符串中寻找一个字符 寻找的情况分为
最好：1-前几个找到
平均：在中间前后范围找到
最坏：最后一找到 or 没有找到
时间复杂度取最坏情况:所以是O（N）
// 计算strchr的时间复杂度？
const char * strchr ( const char * str, int character );
{
while(*str)
{
if(*str==character)
return str;
else
++str;
}
}
实例5:
计算时间复杂度最好是按思路计算 数循环不能正确算出所有的时间复杂度
冒泡排序的思想：按升序排序，前后交换，前后前后一直到最后排序最大的，接着排出次大的，排序执行次数n-1 n-2 ------ 2 1 这是一个等差数列计算出和就是执行次数
为((1+n-1)*(n))/2 时间复杂度：O(N^2)
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]：begin和end是左闭右闭区间，因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}