数据结构之所以重要，是因为不同的数据结构表现出来的数学性质是构成特定算法的基础。就像各种化学元素可以构建不同性质的化合物样，不同性质的化合物依赖于正式化学工程。计算机科学的数据结构大致可以分为两类，一类是数组，一类是链表。两种性质完全相反的物质。数组-线性性能最好，支持随机访问。根据索引，数组中元素的时间复杂度为O(1)，插入和删除元素的时间复杂度为O(n)；链表-可扩展性最好，支持动态增减元素，插入、删除元素的时间复杂度为O(1)，检索元素的时间复杂度为O(n)。

算法设计技术是利用数据结构来解决实际问题的技术，就像化合物特性研究和化学工程的关系一样，一是偏重科学特性的研究，二是解决实际问题。要使科学能引导生产，能造福世界，就必须把科学落地，那么这一过程中最重要的一步就是对实际问题进行建模，建模就是对问题的模拟，越准确越能解决问题。在算法设计层面，有哪些建模方法？大致可分为四类：

蛮力算法

贪婪算法

分治算法

动态规划。

在这些算法中，蛮力算法是问题建模的初始阶段，是对问题程序的再现，追求的是定性，性能不一定重要，但问题描述没有问题；分治和贪心是在蛮力的基础上进行的一次降级，通常可以将问题优化到O(nlogn)的规模范围内；而动态规划则可以进一步将问题的阶段降级到O(n)水平。降级是设计算法的初衷，前提是问题本身计算的各个阶段都有冗余，有重复计算的地方，找出这个重复点并不容易，就拿动态规划来说，虽然有极致的性能，但发现递推方程并不容易，当然这一切都要经过严格的数学证明，这样才更难得可贵。我们这里没有考虑到空间的优化，往往降级过程中最好保证空间的复杂性不会激增，这样才会有效。这方面我们不展开，有许多资料可供参考，其中我建议屈婉玲教授的算法设计分析。

写在最后。仔细一看，你可能会发现，为什么不说多线程呢？多线程也是一种常用的优化方法啊。是的，工程上的多线程常常可以优化程序的运行效率，但是这其中一个基础是，硬件资源没有被充分利用，即，如果由于IO导致CPU利用率不足，当然，我们必须找到一种方法来建立一个能够充分利用硬件资源的方法，而多线程、多路复用这些技术都是为了提高硬件的利用率，因此，不在我们讨论的范围内。这篇文章还有另外一篇更详细的姐妹文章，希望对你有所帮助。