数据结构期末复习
引言
选择题 30分 共15道
应用题 类似离散数学应该 55分
算法设计题 手撕代码 15分
Ch 1-数据结构绪论
基本概念
数据的基本单位是? 数据元素
构成数据元素的不可分割最小单位是? 数据项
什么是算法? 答:算法是对特定问题求解步骤的一种描述,是指令的有限序列
算法的五大特性
输入 输出 有穷性 确定性 可行性
考察重点
数据的存储结构
顺序存储
数据元素之间的逻辑关系由元素的存储位置来表示
链接存储
数据元素之间的逻辑关系用指针来表示
线性表、树、图的特征
线性表:数据元素之间存在着一对一的线性关系
树结构:数据元素之间存在着一对多的层次关系
图结构:数据元素之间存在着多对多的任意关系
常用时空复杂度一览
课后题
Ch 2-线性表
考察重点
顺序存储
使用数组进行实现
存储要点:用一段地址连续的存储单元
依次存储线性表中的数据元素
特点是:随机存取
顺序表的实现直接基于数组进行操作即可
单链表
线性表的链接存储结构
元素之间的逻辑关系使用指针来表示
单链表的实现依赖于动态内存申请(new和delete)
一定要分清头节点和首元结点
头结点:一个工具结点 其本身数据域为空 后继结点为首元结点
首元结点:线性表真正意义上的第一个元素结点
单链表算法的设计模式(重要)
在解答题目时,没有必要使用数据类型模板,直接使用int就可以了大哥
大哥一定要把这个算法的设计模式记住 到时候考试直接照搬就可以了
判空条件
头节点的后继是否为空指针?
注意:在判断时要使用双等号 ==
算法举例:按值查找
插入结点
删除结点
头插
尾插
顺序表和单链表的适用条件
牢记这张图
涉及频繁的插入和删除操作时宜使用单链表
涉及频繁的查找操作时宜使用顺序表
课后题
Ch 3-栈和队列
各自的特点
栈和队列都是操作受限的线性表
栈—后进先出 LIFO
队列—先进先出 FIFO
常用操作也是插入和删除
允许插入和删除的一端称为栈的栈顶
栈的实现有顺序栈(使用数组)和链栈(单链表)两种
队列的实现常用的有顺序队列、链队列、循环队列几种,其中循环队列的相关操作必考!
循环队列
循环队列在实现时会设置两个关键要素,一个是队头位置front,另外一个是队尾位置rear,
循环队列的核心便在于循环意义,也就是在每次操作时针对队列所设置的大小进行取余操作
循环队列的入队操作是要将队尾位置rear在循环意义下加1.然后插入
void CirQueue::EnQueue(int newData)
{
if((rear+1)%QueueSize==front)
{
throw "栈满";
}
rear=(rear+1)%QueueSize; //队尾指针在循环意义下加1
data[rear]=newData; //插入新元素
}
同理,栈的出队操作也只需要将队头位置front在循环意义下加1
void CirQueue::DeQueue(int newData)
{
if(rear==front)
{
throw "栈空";
}
front=(front+1)%QueueSize; //队头在循环意义下加1
return data[front]; //返回出队前的队头元素
}
判空条件
我们默认顺序栈初始时给定栈顶指针 top=-1,
- 顺序栈 if(top==-1) 其中top为栈的栈顶索引
- 链栈 if(top==nullptr) 其中top为栈顶指针
- 循环队列 if(front==rear) 判断队头队尾是否为同一指针
- 循环队列如何判满? if((rear+1)%QueueSize==front) 其中QueueSize为给定的队列大小
进制转换
int Turn(int oldData, int n) //形参为需要转换进制的十进制数和需要转换到的进制
{
LinkStack s1; //初始化一个余数栈
int k = 0; //位数
int result = 0; //返回的最终结果
while (n <= oldData) //取余压栈循环体
{
//cout << "原被除数为:" << oldData << endl;
int temp = oldData % n;
s1.push(temp);
k++;
//cout << "余数为:" << temp << endl;
oldData /= n;
//cout << "新被除数为:" << oldData << endl;
//cout << "----------------------" << endl;
}
k++;
//cout << "位数" << k << endl;
s1.push(oldData); //最后余数压栈
while (k != 0)
{
result += s1.pop() * pow(10, --k);
}
return result;
}
表达式求值
表达式求值这一知识点也非常重要,需要掌握
各自的应用情形
栈
- 递归的实现
- 表达式求值
- 进制转换
- 括号匹配
队列
队列的应用应该不作考察
课后题
Ch 4-字符串和多维数组
字符串这一章应该没什么要考的
最多最多考一个next值的书写以及稀疏矩阵的特殊表示(十字链表+三元组)
等到时候咱们线下一块复习的时候看
现在是封校第二天 我们继续复习
字符串的模式匹配算法
BF算法
BF算法运行示例
暴力算法
BF算法的性能之所以较低,主要是因为其在每趟匹配不成功时存在大量回溯,没有利用已经部分匹配的结果。
KMP算法
KMP算法的精髓就在于利用了已经得到的部分匹配信息 关键在于寻找next值
矩阵的压缩存储及表示
小题:记住,稀疏矩阵不属于特殊矩阵
三元组
十字链表
示例
Ch 5-树和二叉树
树的一些术语
树的结构是递归定义的,树的算法也多是递归设计实现的。
在线性结构中,逻辑关系表现为前驱-后继
在树结构中,逻辑关系表现为双亲-孩子
树的逻辑特征:树的结点有固定的父亲,结点不能属于多个子树,且子树之间不能有关系。
- 节点的度:结点所拥有的子树的个数,如二叉树中结点的度<=2
- 树的度:树中各结点度的最大值,如二叉树的度为2
- 叶子结点:度为0的结点,又称终端结点。
- 孩子结点、双亲结点、兄弟结点等不做赘述
- 路径:由上往下寻找的过程
- 在树结构中,路径是唯一的
- 结点所在层数:根节点的层数为1,向下依次+1
- 树的深度(高度):树中所有结点的最大层数
- 树的宽度:书中每一层结点个数的最大值
二叉树基本术语
遍历是二叉树操作的基础!!!
二叉树的特点
- 每个结点最多有两棵子树
- 二叉树是有序的,其次序不能任意颠倒
左(右)斜树:所有结点都只有左(子)树的二叉树
斜树相当于退化成了线性表结构
满二叉树:所有分支结点都存在左子树和右子树,并且所有叶子都在同一层上的二叉树
满二叉树的特点
- 叶子只能出现在最下一层
- 只有度0和度为2的结点
- 在同样深度的二叉树中结点个数最多
- 在同样深度的二叉树中叶子结点个数最多+
- 满二叉树一定是完全二叉树
完全二叉树
完全二叉树:在满二叉树中,从最后一个结点开始,任意个结点得到的二叉树
特点:
- 叶子结点只能出现在最下两层
- 完全二叉树中如果有度为1的结点,只可能有1个,且该节点只有左孩子
- 深度为k的完全二叉树在k-1曾上一定是满二叉树
- 在同样结点个数的二叉树中,完全二叉树的深度最小
二叉树的性质!!!
-
在一颗二叉树中,如果叶子结点数为a,度为2的结点数为b,则有a=b+1
-
-
在此情况下,一定为满二叉树
-
-
二叉树的遍历
前、中、后序遍历的基本思想不再赘述 以一张图代为讲解
二叉树的存储结构及算法
二叉树可以使用顺序存储和链式存储两种
二叉树的顺序存储结构一般仅存储完全二叉树
我们的二叉树一般使用二叉链表进行实现
//结点结构体的定义
struct BiNode
{
/* data */
int data;
BiNode *lchild; //左孩子
BiNode *rchild; //右孩子
};
叶子结点的标志:左右孩子指针均为空
求问:n个结点的二叉链表有多少个空指针?
三叉链表就是在二叉链表中增加一个指向双亲的指针域
二叉链表前序遍历 递归
void BiTree::PreOrder(BiNode *bt)
{
//递归调用的终止条件
if (bt == nullptr)
{
return;
}
else
{
//前序遍历: 根节点 左子树 右子树
cout << bt->data << " "; //输出数据域
PreOrder(bt->lchild);
PreOrder(bt->rchild);
}
}
统计二叉树中叶子结点个数
int BiTree::Leaf(BiNode *bt)
{
//递归实现
if (bt == nullptr)
{
return 0;
}
if (bt->lchild == nullptr && bt->rchild == nullptr)
{
return 1;
}
return Leaf(bt->lchild) + Leaf(bt->rchild); //递归调用子函数,求子树中叶子结点的个数
}
求二叉树的深度
int BiTree::Height(BiNode *bt)
{
//求二叉树的高度(深度)
if (bt == nullptr)
{
return 0;
}
int i = Height(bt->lchild);
int j = Height(bt->rchild);
if(i<j)
{
return j+1;
}
else
{
return i+1;
}
}
层序遍历 基于队列
void BiTree::LevelOrder()
{
//层序遍历 基于队列
BiNode *Q[100]; //所需队列
BiNode *q = nullptr;
int front = -1, rear = -1; //队列初始条件
if (root == nullptr)
{
//空树不操作
return;
}
Q[++rear] = root; //根指针入队
while (front != rear)
{
//遍历条件:当队列非空时
q = Q[++front]; //出队
cout << q->data << " ";
if (q->lchild != nullptr)
Q[++rear] = q->lchild;
if (q->rchild != nullptr)
Q[++rear] = q->rchild;
}
}
线索二叉树!!!
个人看来,线索二叉树中的线索指的就是在不同序遍历情况下,二叉树中结点对应的在遍历序列中的前驱后继关系。
线索二叉树举例
树、森林与二叉树的转换
什么是森林?
树转换为二叉树
注意:
树的前序遍历等价于二叉树的前序遍历!
树的后序遍历等价于二叉树的中序遍历!
森林转换为二叉树
二叉树转换为树(森林)感觉不考
最优二叉树!!!
为结点加上权值
什么是最优二叉树?
最优二叉树又称哈夫曼树
特点
- 权值越大的叶子结点越靠近根结点
- 只有度为0和度为2的结点,不存在度为1的结点
哈夫曼算法
依次选取最小的个结点,然后组成树,再递归创建
哈夫曼编码 必考
我们一般使用前缀编码
前缀编码的特点
- 在一组编码中,任一编码都不是其它任何编码的前缀
哈夫曼编码示例 课后题
题目:
假设用于通信的电文由字符集{a,b,c,d,e,f,g}构成,它们在电文中出现的频率分别为{0.31,0.16,0.10,0.08,0.11,0.20,0.04},请为这7个字符设计哈夫曼编码
课后题补充:
已知一棵度为m的树中有:n1个度为1的结点,n2个度为2的结点…nm个度为m的结点,问该树中共有多少个叶子结点?
答:
(n1*1+n2*2+...+nm*m)-(n1+n2+...+nm)+1
Ch 6-图
图的术语
- 图:图是由顶点的有穷非空集合和顶点之间边的集合组成
- 通常用G=(V,E)表示,V为顶点集,E为边集
- 图分为无向图和有向图
- 无向图:图中任意两个顶点之间的边都是无向边
- 权:对边赋予的有意义的数值量
- 带权图(网图):边上带权的图 作为对比,在树中,权通常赋予结点
- 稠密图:边数很多的图
- 稀疏图:边数很少的图
- 无向完全图:无向图中,任意两个顶点之间都存在边
- n个顶点的无向完全图中有n*(n-1)/2条边
- 有向完全图:有向图中,任意两个顶点之间都存在方向相反的两条弧
- n个顶点的有向完全图中有n*(n-1)条弧
- 顶点的度:在无向图中,顶点v的度值得是依附于该顶点的边数
- 入度:指向该顶点的弧的数目
- 回路:第一个顶点和最后一个顶点相同的路径
- 简单路径:序列中顶点不重复出现的路径
- 简单回路(简单环):除了第一个顶点和最后一个顶点外,其余顶点不重复出现的回路
- 路径长度:对于非带权图为路径上边的个数,对于带权图为路径上边的权值之和
图的核心操作-遍历
深度优先遍历
DFS,Depth First Search
假设初始状态是图中所有顶点均未被访问,则从某个顶点v出发,首先访问该顶点,然后依次从它的各个未被访问的邻接点出发深度优先搜索遍历图,直至图中所有和v有路径相通的顶点都被访问到。若此时尚有其他顶点未被访问到,则另选一个未被访问的顶点作起始点,重复上述过程,直至图中所有顶点都被访问到为止。
看一张图:
上述由7个顶点构成的图的深度优先遍历顺序应该为?
答案是:
ACBEDFG
图的深度优先遍历技术需要借助栈结构,由于递归本身就使用了函数栈的特性,所以无需额外使用其余的栈。
void MGraph::DFTraverse(int v)
{
cout<<vertex[v]<<" ";
visited[v]=1;
for(int j=0;j<vertexNum;j++)
{
if(edge[v][j]==1 && visited[j]==0)
{
DFTraverse(j);
}
}
}
广度优先遍历
BFS,Breadth First Search
广度优先搜索思想:从图中某顶点v出发,在访问了v之后依次访问v的各个未曾访问过的邻接点,然后分别从这些邻接点出发依次访问它们的邻接点,并使得“先被访问的顶点的邻接点先于后被访问的顶点的邻接点被访问,直至图中所有已被访问的顶点的邻接点都被访问到。如果此时图中尚有顶点未被访问,则需要另选一个未曾被访问过的顶点作为新的起始点,重复上述过程,直至图中所有顶点都被访问到为止。
上述图的广度优先遍历序列为:
ABECDFGH
void MGraph::BFTraverse(int v)
{
int w,j,Q[MaxSize]; //顺序队列,有点取巧
int front=-1,rear=-1;
cout<<vertex[v]<<" ";
visited[v]=1;
Q[++rear]=v;
while(front!=rear)
{
//当队列非空时为循环条件
w=Q[++front];
for(j=0;j<vertexNum;j++)
{
if(edge[w][j]==1 && visited[j]==0)
{
cout<<vertex[j]<<" ";
visited[j]=1;
Q[++rear]=j;
}
}
}
}
图的存储结构
邻接矩阵
图的邻接矩阵(Adjacency Matrix)存储方式是用两个数组来表示图。一个一维的数组存储图中顶点信息,一个二维数组(称为邻接矩阵)存储图中的边或弧的信息。
设图G有n个顶点,则邻接矩阵是一个n*n的方阵,定义为:
来看一个实例
邻接表
图的链式存储结构
基于链表的相关操作
顶点表结点
struct VertexNode //顶点表结点
{
char vertex;
EdgeNode *firstEdge;
};
边表结点
struct EdgeNode //定义边表结点
{
int adjvex; //临接点域(编号)
EdgeNode *next;
};
邻接矩阵转换为邻接表
void MGraph::Turn()
{
//初始化指针数组
for(int i=0;i<MaxSize;i++)
{
this->adjlist[i].firstEdge=nullptr;
}
//将邻接矩阵转换为邻接表
EdgeNode *s1=nullptr; //工具指针
//先初始化vertex数组 点表 adjlist
for(int i=0;i<vertexNum;i++)
{
//初始化顶点表
adjlist[i].vertex=vertex[i];
}
//转换边表
for(int i=0;i<vertexNum;i++)
{
for(int j=0;j<vertexNum;j++)
{
if(edge[i][j]==1)
{
cout<<"["<<i<<","<<j<<"]"<<"值为1"<<endl; //输出方便看到过程
//如果有边的话就转换成邻接表
s1=new EdgeNode;
s1->adjvex=j;
s1->next=adjlist[i].firstEdge; //插入表头
adjlist[i].firstEdge=s1;
}
}
}
}
这一块后面看我其余的文章
邻接表与邻接矩阵的比较
最小生成树
Prim算法
核心思想:以某一点为起点开始,依次找最短边
KrusKal算法
边集的加入条件:最短边 处于不同的连通分量
最小生成树算法比较
最短路径问题
Dijkstra
Floyd-他似乎没怎么讲/。
AOV网与AOE网
AOV–用顶点表示活动,用弧表示活动间的优先关系
AOE–用边表示活动,用顶点表示事件