数据结构与算法

最新推荐文章于 2024-03-22 13:59:09 发布

Javavaa

最新推荐文章于 2024-03-22 13:59:09 发布

阅读量292

点赞数

本文链接：https://blog.csdn.net/Javavaa/article/details/106742526

版权

复杂度

（通过复杂度可以评判出算法的性能）

1. 时间复杂度：

估算程序指令的执行次数（执行时间）

2. 空间复杂度：

估算程序执行所占用的存储空间

3. 大O表示法：

用该方法可以估算出算法的复杂度
方法：忽略常数，系数，低阶

9 -----> O(1)
2n + 3 -----> O(n)
n^2 + 2n + 6 -----> O(n^2)
4n^3 + 3n^2 + 22n + 5 -----> O(n^3)

复杂度大小比较：

O(1) < O(logn) < O(n) < O(n logn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

例如：

public static int fib2(int n) {
		if (n <= 1) return n;
		
		int first = 0;
		int second = 1;
		for (int i = 0; i < n - 1; i++) {
			int sum = first + second;
			first = second;
			second = sum;
		}
		return second;
	}

这段算法的时间复杂度为：O(n)
空间复杂度为：4

链表（LinkedList）

1. 链表设计：

概念：链表是一种链式存储的线性表，所有元素的内存地址不一定是连续的，链表的每个节点（Node）中包含两个组成部分：元素：element，下一个Node的地址：next；
链表的尾结点指向null，头结点被“LinkedList（虚拟头节点）”的first指向：
优点：

节省了内存：链表不像动态数组，size不足够的时候还需要扩容，链表则为添加一个元素，随时添加一个节点，删除一个元素，便删除一个节点；
增删的速度很快：链表的增删只需要改变该位置前后节点的指向，而数组则需要整体挪动；

缺点：
链表查找元素的速度相对较慢，需要从头节点开始依次按顺序遍历；不像数组可以进行随机查找，因为jvm会根据数组的索引找打数据的内存地址；

2. 动态数组的缩容：

如果对数组的数据进行删除，当剩余的容量过大时，为了节省内存，就产生了缩容这一操作；根据实际需求，可自行调节缩容时机；
例如当size < 容量的一半时进行缩容；
但要掌握好扩容缩容的时机，不然可能会导致复杂度震荡。

3. 双向链表：

双向链表的性能比单向链表更高，它的虚拟节点中包含了头节点（first）和尾节点（last），且每个节点都包含：元素，下一节点地址，上一节点地址；其中头节点的上一节点（prev）指向null，尾节点的下一节点（next）指向null；

栈（Stack）

栈是一种特殊的线性表，只能在一端进行操作，也就是只能对栈顶的数据进行操作，栈中的数据对外界是封闭的；

在这里插入图片描述

入栈（push）：往栈中添加元素；
出栈（pop）：移除栈顶元素；
都遵循后进先出的原则

队列（Queue）

队列是一种特殊的线性表，只能在头尾两端进行操作；
队尾（rear）：只能从队尾添加元素，叫做enQueue，入队；
对头（front）：只能从对头移除元素，叫做deQueue，出队；
在这里插入图片描述

1. 双端队列（Deque）

双端队列可以再头尾两端进行添加和删除；

2. 循环队列（Circle Queue）

头尾之间连接在一起，形成了循环；
循环双端队列：可以进行头尾两端的增删操作；

二叉树（Binary Tree）

基本概念：

在这里插入图片描述

空树：没有任何节点的树
只有一个节点的二叉树即只有根节点；
节点的度：子树的个数
树的度：所有节点度中的最大值；
叶子节点：度为0的节点；
非叶子节点：度部位零的节点；
层数（level）：根节点在第一层，根节点的子节点在第二层，以此类推；
节点的深度（depth）：从根节点到当前节点的唯一路径上的节点总数；
节点的高度：从当前节点到最远叶子节点的路径上的节点总数；
树的深度：所有节点深度中的最大值；
树的高度：同上；
树的深度：等于树的高度；
有序树：树中任意节点之间有顺序关系；
无序树：树中任意子节点之间没有顺序关系（自由树）
森林：由m（m>=0）颗互不相交的树组成的集合；

二叉树：

特点：
每个节点的度最大为2（最多拥有两颗子树）
左子树和右子树是有顺序的
即使某节点只有一颗子树，也要区分左右子树
性质：

非空二叉树的第i层，最多有2^i-1个节点（i >= 1）
在高度为h的二叉树上最多有（2^h）-1个节点（h >= 1）；

1. 真二叉树（Proper Binary Tree）

所有节点的度要么为0，要么为2；
在这里插入图片描述

2. 满二叉树（Full Binary Tree）

最后一层节点的度都为0，其他节点度都为2
在这里插入图片描述

3. 完全二叉树（Complete Binary Tree）

对节点从上至下，从左至右开始编号，其所有编号都能与相同高度的满二叉树中的编号对应；

叶子节点只会出现在最后两层，最后一层的叶子节点都靠左对齐；
完全二叉树从根节点至倒数第二层是一颗满二叉树；
满二叉树一定是完全二叉树，反之不易然；
在这里插入图片描述

性质：

度为1的节点只有左子树；
度为1的节点要么是一个，要么是0个；
同样节点数量的二叉树，完全二叉树的高度最小；
假设完全二叉树的高度为h（h>=1），那么：
至少有2 ^（h-1）个节点
最多有（2^h）-1个节点；

二叉树的遍历：

1. 前序遍历（Preorder Traversal）：

访问顺序：根节点，前序遍历左子树，前序遍历右子树；

2. 中序遍历（Inorder Traversal）：

访问顺序：中序遍历左子树，根节点，中序遍历右子树；
在这里插入图片描述

3. 后序遍历（Postorder Traversal）：

访问顺序：后序遍历左子树，后序遍历右子树，根节点；
在这里插入图片描述

4. 层序遍历（Level Order Traversal）：

访问顺序：从上到下，从左到右依次访问每一个节点；
在这里插入图片描述

二叉搜索树（Binary Search Tree）：

性质：

任意一个节点的值都大于其左子树所有节点的值；
任意一个节点的值都小于其右子树所有节点的值；
他的左右子树也是一颗二叉搜索树；

平衡二叉搜索树（ Balanced Binary Search Tree）：

平衡：
当节点数量固定时，左右子树的高度越接近，这颗二叉树越平衡；
最理想的平衡就是想像完全二叉树，满二叉树那样，高度是最小的；
常见的BBST有：AVL树，红黑树；

AVL树：

AVL树是最早发明的自平衡二叉搜索树之一；

平衡因子（Balance Factor）：某节点左右子树的高度差；
AVL树的特点：

每个节点的平衡因子只可能是1,0，-1（即绝对值 <= 1，如果不在该范围内称之为失衡）；
搜索，添加，删除的时间复杂度是O（log n）；

简单的继承结构：

在这里插入图片描述

添加导致失衡：

往以下的AVL树中添加13，会导致失衡；
最坏情况：可能导致所有的祖先节点都失衡；
父节点，非祖先节点都不可能失衡；
在这里插入图片描述

删除导致失衡：

可能会导致父节点或祖先节点失衡（只有一个节点会失衡），其他节点都不会影响；

总结：

添加：

可能会导致所有祖先节点都失衡；
只要让高度最低的失衡节点恢复平衡，整棵树就恢复平衡（仅需O(1)次调整）；

删除：

可能会导致父节点或祖先节点失衡（只有一个节点会失衡）；
恢复平衡后，可能会导致更高层的祖先节点失衡（最多需要O（log n）次调整）；

B树：

B树是一种平衡的多路搜索树，多用于文件系统，数据库的实现；

m阶B树的性质（m >= 2）：

令一个节点存储的元素个数为x：
根节点：1 <= x <= m - 1
非根节点：「m / 2⌉ - 1 <= x <= m - 1 (向上取整)
如果有子节点，子节点个数 y = x + 1；
根节点：2 <= y <= m
非根节点：「m / 2⌉ <= y <= m

搜索：

跟二叉树的搜索类似：

先在节点内部从小到大开始搜索元素；
如果命中，搜索结束；
如果未命中，再去对应的子节点中搜索元素，重复步骤1；

添加：

新添加的元素必定是添加到叶子节点

添加 - 上溢：

假设m = 5阶；
假设上溢节点中最中间元素的位置为k；
上溢节点的元素个数必然等于5；

将k位置的元素向上与父节点合并；
将【0，k-1】和【k + 1，m - 1】位置的元素分裂成两个子节点；
一次分裂完毕后，有可能导致父节点上溢，依然按照上述方法解决；最极端的情可能一直分裂到根节点；

删除：

删除的如果为叶子节点，那么直接删除即可；
删除非叶子节点：
先找到前驱或后继元素，覆盖所需删除的元素的值，再把前驱或后继元素删除；
非叶子节点的前驱或后继元素必定在叶子节点中；

删除 - 下溢：

叶子节点被删掉一个元素后，元素个数可能会低于最低限制（>= 「m / 2⌉ - 1）
下溢节点的元素数量必然等于「m / 2⌉ - 2；

如果下溢节点的临近兄弟节点有至少「m / 2⌉ 个元素，可以向其借一个元素；

将父节点的元素b插入到下溢节点的0位置（最小位置）
用兄弟节点的元素a（最大元素）代替父节点元素b；

如果下溢节点临近兄弟节点只有「m / 2⌉ - 1 个元素；

将父节点的元素b挪下来跟左右子节点进行合并；
合并后的节点元素个数等于「m / 2⌉ + 「m / 2⌉ - 2，不超过m - 1；
这个操作可能会导致父节点下溢，依然重复上述解决方法；

红黑树（RBTree）：

红黑树也是一种自平衡二叉搜索树，由AVL树优化而来；

红黑树的5条性质：

节点是RED或者BLACK；
根节点是BLACK；
叶子节点（外部节点，空节点）都是BLACK；
RED节点的子节点都是BLACK，RED节点的父节点都是BLACK，从根节点到叶子节点的所有路径上不能有两个连续的RED节点；
从任一节点到叶子节点的所有路径都包含相同数目的BLACK节点；

红黑树与四阶B树：

红黑树与四阶B树具有等价性，BLACK和他的RED子节点融合在一起，形成一个B树节点，红黑树的BLACK节点个数4阶B树的节点总数相等；
在这里插入图片描述

添加：

红黑树将继承一个艾薇儿树（AVLT）也继承的类（BBST），这个类中封装了旋转方法，而BBST继承二叉搜索树（BST），BST又继承二叉树（BT），所以红黑树的添加方法直接来自于二叉搜索树BST，添加后所需要的有关红黑树独特的特性的调整再进行处理（afteradd）；BST中主要封装了添加，删除，比较器方法；BT中主要封装了前序遍历，中序遍历，后序遍历，层次遍历，树高度等方法；

已知条件：
B树中新元素必定添加到叶子节点中；
4阶B树的所有节点元素个数x都符合 1 <= x <= 3；
添加的所有情况（共12种）：
前4种（满足4阶B树的性质）parent为BLACK：
1 ~ 4. 不需要做任何处理；

后8种（不满足4阶B树的性质）parent为RED：

5 ~ 8. 后8种的前4种属于B树节点上溢；

判定条件：uncle不是RED：（LL/RR）

parent染成BLACK，grand染成RED，grand进行单旋操作（LL右旋/RR左旋）；
在这里插入图片描述
6. 8.

判定条件：uncle不是RED：（LR/RL）

自己染成BLACK，grand染成RED，进行双旋操作；（LR：parent 左旋，grand右旋 / RL：parent右旋，grand左旋）
在这里插入图片描述
7. 10. 11. 12.

判定条件：uncle是RED《B树上溢》：（LL/RR/LR/RL）

parent，uncle染成BLACK，grand向上合并；
grand向上合并时可能继续发生上溢，若上溢持续到根节点，只需将根节点染成BLACK即可；
LL
在这里插入图片描述
RR

LR

RL

删除：

红黑树的删除和添加类似，删除的具体方法都封装在BST（二叉搜索树）中，且在B树中，最后真正被删除的元素都在叶子节点中，所以删除红黑树元素时，调用的BST中的删除方法只会处理叶子节点的元素（非叶子节点的删除会找到该节点的前驱节点或后继节点，然后用前驱或后继的值去覆盖要删除节点的值，再删除前驱或后继节点，所以在红黑树封装的类中，afterremove只需要处理被删除的叶子节点中的元素）；

删除RED节点：
直接删除后不做任何处理；
删除BLACK节点（1）拥有1个RED子节点的BLACK节点：

判定条件：用以替代的子节点是RED

将替代的子节点染成BLACK即可保持红黑树的性质；
在这里插入图片描述

删除BLACK节点（2）sibling（兄弟节点）为BLACK，且sibling至少有1个RED子节点：

BLACK叶子节点被删除后，会导致B树节点下溢；
进行旋转操作，旋转后的中心节点继承parent的颜色，旋转后的左右节点染成BLACK；
在这里插入图片描述

删除BLACK节点（3）sibling（兄弟节点）为BLACK，且sibling没有一个RED子节点：
若parent为RED，将sibling染成RED，parent染成BLACK即可；
若parent为BLACK，会导致parent也下溢，这是只需要把parent也当做被删除的节点再次传给afterRemove即可；

在这里插入图片描述