一、学习安排（7月27日-7月29日）
1.主要学习视频Week5
链接（http://www.xuetangx.com/courses/course-v1:MITx+6_00_1x+sp/about）
2.辅助内容：教材第9、10章节
Chapter 9 算法复杂度简介
为了以合理的方式提高程序效率，我们应该知道如何估计一个程序的计算复杂度。计算复杂度包括时间复杂度和空间复杂度。
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，时间复杂度常用“O”表述，使用这种方式时，时间复杂度可被称为是渐近的，它考察当输入值大小趋近无穷时的情况。
一般来说，时间复杂度高的算法比复杂度低的算法慢。若n表示函数的输入规模，则常见的复杂度包括：
- O(1)表示常数运行时间。渐近复杂度与输入规模无关。
- O(logn)表示对数运行时间。对于这种函数的复杂度来说，它的增长速度至少是某个输入的对数。例如，二分查找的复杂。
度就是待搜索列表的长度的对数 - O(n)表示线性运行时间。很多处理列表或其他类型序列的程序具有线性复杂度，因为它们对序列中的每个元素都进行常数（大于0）次处理。
- O(nlogn)表示对数线性运行时间。这种复杂度是两个项的乘积，每个项都依赖于输入的规模。这个复杂度非常重要，因为很多实用算法的复杂度都是对数线性的。最常用的对数线性复杂度算法可能是归并排序法，它的复杂度是O(nlog(n))，这里的n是待排序列表的长度。
- O(nk)表示多项式运行时间，注意k是常数。最常见的多项式算法复杂度是平方复杂度，也就是说，算法复杂度按照输入规模的平方增长。
- O(cn)表示指数运行时间，这时常数c为底数，复杂度为c的n次方。我们之后将会看到，很多重要问题的复杂度都是指数的。也就是说，要想彻底解决这些问题，所需的时间要随输入规模的指数而增长。这非常糟糕，因为编写一个运行时间以指数增长的程序对我们来说通常是得不偿失的。
Chapter 10 一些简单算法和数据结构
高效算法的实现非常困难。对于那些成功的专业计算机科学家来说，整个职业生涯中可能只会开发出一种算法——如果他们足够幸运。多数人永远不会开发出新算法。我们要做的是，学会在面对问题时将复杂性减到最小，并将它们转换成以前已经解决了的问题。
更具体地说，我们需要：
- 理解问题的内在复杂度；
- 思考如何将问题分解成多个子问题；
- 将这些子问题与已经有高效算法的其他问题联系起来。
本章给出几个示例程序，目的是让你在算法设计方面具有一些直觉性知识。还有很多算法可以在本书其他章节中找到。
请记住，你并不总是需要选择最有效率的算法，一个在各方面都最有效率的程序经常是难以理解的，我们也没有必要去理解。一般来说，比较好的策略是先用最简单直接的方式解决手头的问题，再仔细测试找出计算上的瓶颈，然后仔细研究造成瓶颈的那部分程序，并找出改善计算复杂度的方法。
