数据结构按照视点的不同可分逻辑结构和物理结构。
逻辑结构：
1.集合结构
2.线性结构
3.树形结构
4.图形结构
物理结构：
1.顺序存储结构
2.链式存储结构
算法定义：
算法是解决特定问题求解步骤的 描述 ，在计算机中表现为指令的有限序列，并且每条指令表示一个或多个操作。
算法的5个基本特性：输入、输出、有穷性、确定性和可行性。
可行性和确定性
可行性：算法的每一步都必须是可行的，也就是说，每一步都能通过执行有限次数完成。
确定性：算法的每一步骤都具有确定的含义，不会出现二义性。算法在一定条件系，只有一条执行路径，相同的输入只能有唯一的输出结果。算法的每个步骤被精确定义而无歧义。
算法设计的要求
1、正确性
正确性：算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义性、能正确反映问题的需求、能够得到问题的正确答案。
正确性可分四个层次
（1） 算法程序没有语法错误
（2） 算法程序对于合法的输入数据能够产生满足要求的输出结果
（3） 算法程序对于非法的输入数据能够得出满足规格说明的结果
（4） 算法程序对于精心选择的，甚至刁难的测试数据都有满足要求的输出结果
层次4是最困难的，我们几乎不可能逐一验证所有的输入都得到正确的结果。因此算法的正确性在大部分情况下都不可能用程序来证明，而是用数学方法证明的。证明一个复杂算法在所有层次上都是正确的，代价非常昂贵。所以一般情况下，我们把层次3作为一个算法是否正确的标准。
2. 可读性
3. 健壮性
当输入数据不合格时，算法也能做出相关处理，而不是产生异常或莫名奇妙的结果。
这一点与正确性的第三个层次相似。区别在于健壮性体现在输入不合格数据时，不至于把程序搞挂。
4. 时间效率高和存储量低
算法效率的度量方法
1. 事后统计方法
事后统计方法：这种方法主要是通过设计好的测试程序和数据，利用计算机计时器对不同算法编制的程序的运行时间进行比较，从而确定算法效率的高低。
2. 事前分析估算方法
在计算机程序编制前，依据统计方法对算法进行估算。
经过分析，我们发现，一个用高级程序语言编写的程序在计算机上运行时所消耗的时间取决与下列因素：
（1）算法采用的策略、方法 ☞决定算法的好坏
（2）编译产生的代码质量 ☞油编译软件支持
（3）问题的输入规模
（4）机器执行指令的速度 ☞看硬件性能
算法时间复杂度
在进行算法分析时，语句总的执行次数T（n）是关于问题规模n的函数，进而分析T（n）随n的变化情况并确定T（n）的数量级。算法的时间复杂度，也就是算法的时间亮度，记作：T（n）=O（f(n)）。它表示随问题规模n的增大，算法执行时间的增长率和f（n）的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中f（n）是问题规模n的某个函数。
这样用大写O（）来体现算法时间复杂度的记法，称之为大O记法。
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，则去除与这个项相乘的常数
得到的结果就是大O阶。
常数阶 大O阶 O（1）
线性阶 大O阶 O（n）
分析算法的复杂度，关键是要分析循环结构的运行情况。
对数阶 O（logn）
2x = n，得到x=log2n，所以或者循环的时间复杂度为O(logn)。
平方阶
O(1) < O(logn) < O(n) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)
最坏情况运行时间是一种保证，那就是运行时间将不会再坏了。在应用中 ，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。
平均运行时间是所有情况中最有意义的，因为他是期望的运行时间。
对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法称为平均时间复杂度。另一种方法是计算最坏情况下 的时间复杂度，这种方法称为最坏时间复杂度。一般在没有特殊说明的情况下，都是指最坏时间复杂度。
算法空间复杂度
通过计算算法所需的存储空间实现，算法空间复杂度的计算公式记作: S(n) = O(f(n))，其中，n为问题的规模，f（n）为语句关于n所占存储空间的函数。
一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决与问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，测称此算法为原地工作，空间复杂度为O（1）。
通常，我们都试用“时间复杂度”来指运行时间的需求，使用“空间复杂度”指空间需求。当不用限定词的使用“复杂度”时，通常都是指时间复杂度。