qq_14952615的博客

最后是我们的哈希表。 这个东西我自己平时用不太多。所以我就转载一篇别人的博客，我觉得写的挺好的东西。 哈希表的核心就是在存储地址与存储内容之间建立一个映射关系，这样我们在找的时候就能够直接计算，而不用挨个挨个找，提高效率。 主要面临的困难就是会出现冲突，即不同的内容可能导致相同的地址。因此哈希表需要适当地冲突处理。数据结构 Hash表（哈希表）_积跬步 至千里-CSDN博客_哈希表最后就是这也是我们算法导论的最后一篇博客了。其实红黑树我也基本用的很少。我觉得应该有一个专门的框架可以直接实现红黑树

今天我们接着讨论红黑树插入的其他情况，即父节点为红色的情况。Case 1 当前节点的父节点是红色，且当前节点的祖父节点的另一个子节点（叔叔节点）也是红色。 (01) 将“父节点”设为黑色。 (02) 将“叔叔节点”设为黑色。 (03) 将“祖父节点”设为“红色”。 (04) 将“祖父节点”设为“当前节点”(红色节点)；即，之后继续对“当前节点”进行操作。 Case 2 当前节点的父节点是红色，叔叔节点是黑色，且当前节点是其父节点的右孩子

今天我们首先来说十二 情况中，四种最简单的情况- 父节点为黑色节点对应上一文中就是 46 76 88 这三个节点的四种情况。由于我们假设我们的节点默认为红色，因此，当我们插入之后，我们来看红黑树的性质：红黑树的定义有四条：每个节点颜色不是黑色，就是红色 根节点是黑色的 如果一个节点是红色，那么它的两个子节点就是黑色的（没有连续的红节点） 对于每个节点，从该节点到其后代叶节点的简单路径上，均包含相同数目的黑色节第一条满足， 第二条满足， 由于我们插入是红色节点，第四条不影响也满足。.

今天我们核心内容是看看，在插入操作时，红黑树有多少种情况。红黑树添加的基本情况与二叉平衡树类似，都一定是插入在叶子节点位置。因此，虚线位置为加入位置。很容易看出，一共有12种情况。这里，大家注意，这个图里面包含了红黑树所有的插入情况。这一点，大家需要记一下。后续文章中，我们会对12中情况分别进行讨论。最后，再一次提醒大家，面对一个比较难得东西，不要急，每天进步一点点，这样使你不会丧失兴趣，每一步要走稳！...

上一篇文章我们提到了红黑树。这是一种比较复杂 数据结构。所以，咱么就只能一点一点地抽丝剥茧。遇到这种比较复杂的问题，咱们切记贪多求快，要一点一点的蚕食。当然了，我说的这个也只是针对大部分普通人。天赋异禀的小天才们不要对号入座哈。接着上一篇文章，我们今天来说一说红黑树保持平衡的基本三种操作。 1 变色： 红变黑 黑变红 2 左旋 3 右旋。 其中变色太简单，咱们就不说了。咱们说说左旋和右旋。旋转示意图如下：我们首先看右旋：原根节点的左孩子成为新的根节点， 原根节点变为新根节点的右孩子，注意..

首先咱们要说一个事情是 红黑树其实就是一种特殊的二叉平衡树。 那咱们奇怪了，二叉平衡树哪里不好呢？ 需要引入这么个改进版。 一般改进的东西肯定比不改进的东西牛，那么牛在哪里呢?回忆一下二叉平衡树的特点是 左节点的值小于 根节点 小于 右节点。那么，如果我们有 1 2 3 4 四个元素，插入二叉平衡树，可能出现下面的情况吗？这两种情况都可能出现吧。什么？还有左边这种情况？直觉上就觉得不太对吧。是的，少年，你的直觉是对的。左边这种情况效率就比较低。想想，如果我们要找 1. 左边这种情况找..

今天开始我们就会进入一些数据结构的部分了。今天第一个要讲的是一类特殊的数据结构，二分查找树。二分查找树的特点如下：即根节点的数值一定小于左右子节点，其优势在于插入与查找时间较低为同样，我们比较关心二分查找树的创建 插入 删除首先说一下，我们在创建二分查找树的时候，也可以根据根节点数值小于子节点的规则一个一个的插入。所以创建与插入可以看成一起的。插入的时候也很简单，就是根据上述的特点，去找到一个比需要插入的值更小的根节点，然后看看插入到左节点还是右节点合适(还要考虑到后面的节点)，直接插入即可。

迪杰特斯拉算法每一步需要选取离X最近的边添加入X集合中。而求解这个最小值如果能够很高效，那么可以进一步提高算法的效率。由于我们每一步选取最小的，因此我们可以计算出剩余节点离X中点的距离，然后用最小堆的数据结构来直接弹出最小值。最小堆求解最小值的算法复杂度为最小堆就是一种完全二叉树，但是要保证根节点小于左右节点。最大堆则反之。这里我们介绍最小堆的创建，插入与删除过程。创建- 先将所有元素按照二叉树结构随意插入。然后进行“自底向上调整”。假设元素为[9 3 7 6 5 1 10 2]..

上一文中我们谈到了单源路径算法 迪杰特斯拉算法。今天我们就来继续讲一下这个算法的正确性。如果有点忘记的同学们可以先点回去复习一下，尤其是注意一下迪杰特斯拉算法的贪婪规则。我们怎么证明该算法的正确性呢？老规矩，我们使用数学归纳法(一般想不到什么好办法，就用这个办法吧)。当X为空时，我们会选择与起点s点最近的点加入X，显然s到该点的最近路径选择是正确的。我们假设已经有一个X了，且所有X中节点对应的最短路径以及长度均正确存储在A[v], B[v]中。现在我们假设新加入一个点w时， 存在一条额外

老规矩，我们首先给出该算法的具体流程：- X={s} %%记录有没有被探索过- A[s]=0 %% 该节点的最短路径-B[s]=[s]%% 保存该节点的最短路径- while x != v - among all edges (v,w)E， %% 边的集合 - pick one that minimize A[v] + 假设是 - add to X - set A[] = - set...

实际上Kosaraju算法在实际应用中存在一些不足。优点在于好理解。实际使用中Tarjan算法用的更多，执行效率更高。而Tarjan算法在理解了Kosaraju算法之后也是十分好理解的。关于Tarjan算法，我发现了一篇讲的特别好的博客。所以，这个算法我就直接转载了这位老兄的博客。https://blog.csdn.net/weixin_43843835/article/details/88381828有兴趣的话可以看看。讲的比较细致。...

今天我们来聊一下DFS计算有向图的强联通分量Sccs。老规矩，首先给出Sccs的定义。Sccs是一些节点的集合，该集合中任意两个节点u，v，存在路径u到v，同时也存在路径v到u。我们来看一个示意图我们看，a点存在一个到b的路径，b可以通过e点到达a。因此a b e构成了一个Sccs。那么我们如何求解一个图中的Sccs呢？首先，我们将上图中的Sccs缩成一个点，来看看。我们可以看到，将Sccs缩成一个点之后，示意图变简单了不少。如果我们对简化过后的示意图来进行搜索的话，我们..

上一篇文章我们说了拓扑排序的基本思路。看起来是不是挺简单的。但是问题的关键在于，我们每一次要选择出度或者入度为0的点，如何高效选取呢？这里我们为了与DFS方便联系，我们目标就是找出度为0的点即sink node我们回忆一下，拓扑排序的基本思路，找sink node，然后将该点相关的边都删除。DFS算法什么时候停止？是不是找到sink node点的时候就不再继续向下探索了呢？将该点标记为explored之后，是不是就返回该节点的前向节点了呀。DFS将一个node标记为explored之后，是不

所谓的拓扑排序的核心就是在一个有向图中，如果存在边u 到v， 则排序后u一定要在v的前面。其基本的排序思路如下所示：示意图如上所示。我们对这个图进行拓扑排序。我们的基本思路为：TopSort(G)- 找到一个入度为0 的点(没有前节点)，输出- 删除与该点所有相连的边-重复上述步骤知道所有点被explored其执行步骤为实际上我们也可以在拓扑排序中每一步找出度为0的点，即没有后继节点输出。不过最后要将得到的序列反序。出度为0的节点一般叫做沉没节点(sin...

前面我们讲了BFS，本文我们讲一讲DFS。老规矩先给出DFS的伪代码DFS(graph G, start vertex s)- mark s as explored-for each edge (s,v) -if v unexplored -DFS(G,v)这里我们可以分析一下，BFS，在某个节点s，会将与s相连的所有节点v找出来，而这里我们看，只要有一个节点v与s相连，DFS就会以v作为新的起点开始往下找。所以看起来有一种打破砂锅问到...

上文中我们讲到了BFS与最短路径的关系。本文，我们聊一聊图的connected components。中文翻译好像是 等价类。等价类的意思是只要节点之间存在连通的边，则这些节点都被分在同一个类中。简单点说即图可以被分为多少块 pieces。如上图所示，这个图有三块。其实算法很简单。如下所示：- for i=1:N -if node i is not explored -BFS(G,i)我们说BFS(G,i)肯定能找到以i为...

上一篇文章我们讲了广度优先搜索算法。我们提到了BFS算法有一种类似于 Layer-by-Layer 的节点搜索特点。本文中，我们继续聊一聊BFS计算最短路径的关系。BFS的流程在上一篇博客中讲了，所以我们就不多赘述了。今天我们就说一下如何在BFS的基础上实现最短路径的计算。还是沿用上一文中的示意图。这里我们假设每条边的长度都是1，当然如果每条边长度不一样，情况也是差不多的，只不过处理的时候稍微变换一点点，即只更新最短路径即可。初始的时候，我们假设s点的路径长度为P=0从s点开始BF.

本文我们主要讲BFS算法。BFS算法搜索的时候呈现出一种 按 层 搜索的特点，即节点看起来好像被分为不同的 layer了。具体我们还是举个例子来说明。老规矩我们先给出BFS算法的计算流程BFS(graph G, start vertex s)[all nodes are initited as unexplored]- mark s as explored- initiate Q as a empty FIFO queue, then add s into Q-whil...

图搜索算法是一类重要的基于图的算法。本文 给出一般化的图搜索算法的框架。图搜索算法的核心任务是从一个初始节点s，尽可能多的找到其他的点v。注意通常对于一个n个点，m条边的图，我们希望搜索算法的复杂度为，换言之，我们希望每一个点与边都不重复搜索两次。老规矩，图搜索算法的一般步骤如下：1. 初始化开始点s为explored，其他点为unexplored2. 循环直到找不到未被搜索的点3. 选择边(u,v),其中u explored，v unexplored4. ...

上一篇文章我们提到了最小割问题，最小割问题在研究网络最薄弱环节相关问题上具备广泛应用。而这个问题如今也依旧是一个open problem。而今天我们就介绍一种求解最小割问题的概率型算法-Karger's algorithm。 该算法是karger读博期间发现的一种非常简单的算法。其核心步骤就是我们随机在图上找两个点进行 constraction 合并操作。如下图所示：注意2,3由于合并为了一个点，所以2 3两点之间的边我们就当做没有了，同时要消除由于合并形成的自环。重复上述步骤到图只剩下两.

上一篇博客我们提到了图与图的基本表示方法。今天我们开始接触第一个图的算法最小割问题。我们知道图就是由一些顶点和顶点之间的边所构成的。什么是割呢？其实所谓的割就是将图中的顶点二分的某一种具体的方法。即将图中顶点任意分成两部分都称为该图的一个割，注两个集合均不能为空。lemma 1: 某个图有n个顶点，则总共有个割。Proof: 每个顶点都有两个选择，但是注意两个集合都不能为空，因此共计种分法。最小割问题则是我们将图中顶点分成A B两个集合后，这样的边(头在A中，尾在B中，或者相反也行，无向图则

从这一篇博客开始，我们逐渐会开始学习一些图的相关的算法了。首先我们明白一下什么时图。我们通常提到的图都是有两个组成部分：顶点，边。顶点是图的基本元素，而边则是代表顶点之间有没有连接关系。根据边的方向性，图又分为有向图和无向图两种。举个简单的例子，成都和北京，两个城市就可以看作是两个顶点。彼此间有飞机可以来往，既可以从成都到北京，又可以从北京到成都，因此这个关系可以表示为无向图。但是如果假设某一天打仗了。因为敌人的干扰，我们只能从成都到北京，而北京的飞机出不来。那么此时，就是一个有向图了。

上篇博客我们分析了RS算法的复杂度。我们发现只要我们选择的pivot足够好，该算法的平均复杂度是线性的。那么我们就会考虑，我们有没有办法改进一下RS呢，让我们的算法的复杂度就是。于是就有了今天要讨论的这个算法D-RS。其实D-RS算法核心就是改进了RS算法的pivot的选择方式，保证了我们每一次都能选择到足够好的一个pivot。老规矩，我们先给出D-RS算法的流程：1. 先将数组分成5个元素一组，共计n/5个小组。2. 对这n/5个小组进行排序，并求出其对应的中位数，, k代表第k个小组

这篇博客我们接着上一篇博客的内容，我们来分析一下RS算法的复杂度。从上篇博客的lemma 1我们看到如果每一次都选择当前集合的中位数作为pivot，则RS算法复杂度为。但是实际上我们随机选择的话并不能保证总是能选到中位数。通常意义上，这样一个pivot被认为足够好，即该pivot落在当前集合的25%-75%之间。不难发现，如果我们选择了一个足够好的pivot，那么当前的集合在下一次迭代过程中任务规模至少下降25%。所以为了方便起见，我们设为一个代表第j次选到足够好的pivot所需要的随机挑选的次数的随机

前面在讨论快速排序算法的时候，我们提到了一个事情，我们说可以在线性时间复杂度内完成对数组中位数的查找，即。今天我们就来讨论一下这个问题。我们讨论一个更加一般化的问题，即查找数组中第i大的数。老规矩，我们依然先给出算法流程，我们假设我们的函数为RS(array A, length A, order statistics i)。算法的伪代码如下：1. if n=1, return A2. 在A中随机选择一个数作为pivot p3. 将A根据p分为两个部分，一个部分全部比p小，另一部分全部

上一篇博客我们给出了快速排序的两个结论。我们说如果随机选取pivot，则快速排序的平均复杂度为，今天主要证明上一篇博客中的lemma 2。至于一个数组的中位数能够在线性事件复杂度内查找完成，我们留在之后来进一步讲解。首先我们回忆一下快速排序的主要步骤：1. 随机选择一个元素作为pivot；2. 将原数组分为两部分，一部分都比pivot小， 另一部分都比pivot大；3. 对两部分递归步骤1和步骤2；从上面我们可以发现，快速排序的主要计算复杂度就是步骤2中，数与数的比较，其他的没有做什么其

前面我们已经给出过一种计算复杂度为的排序算法-归并排序。这里，我们在提一种新的排序方法，快速排序。这种排序方法的平均复杂度为。为什么是平均复杂度呢？且听我慢慢道来。老规矩，先给出快速排序的基本流程：1. 随机从给定数组中选择一个数，作为pivot，标杆。2. 将数组分为两个集合，一个集合的所有数都比该pivot小，另一个集合都比该pivot大。3. 对两个集合递归重复上述操作。其基本的示意图如下所示：看到这里，大家肯定有所疑惑，就这样？能排好序吗？没关系，我们来试着证明一下。

前面我们提到了两种典型的分治算法-归并排序，最近点对算法。分析复杂度的时候，咱们都是采用类似于树形结构的方式，先表达出子任务的个数，以及每个子任务的复杂度，然后将所有的复杂度进行加总。今天呢，咱们进一步给出这类递归算法复杂度衡量的重要推论-master method。以后，只要咱们给出了递归算法的递归式，就可以很方便的进行求解了。为了方便起见，咱们还是用T(n)代表某算法复杂度，输入规模为n。设复杂度的递归式为。上述递归式的含义可以解释为，每一个规模为n的大任务都会被分为a个规模为n/b的小任务，且每一

上一篇文章中，我们分析了第一种分治算法-归并排序，这个算法具备的运算复杂度。这篇文章中，我们还需要使用到这个结论，我们暂且记下。本文中，我们提出一个新的问题，二维平面上的n个点，我们要找出任意两个点间的最短距离。首先，我们考虑一下暴力求解，每两个点之间的距离我们都计算一下。那么我们总共需要计算的次数为。可以看到，暴力求解的方法的计算复杂度为n的平方。那么有没有什么办法可以让我们计算得更加快一点呢？我们可以初步考虑一个简单的例子，即首先我们假设这n个点都在一条直线上，即纵坐标都相等。且这n个点已经按照

在清楚了算法复杂度的概念之后，我们要开始慢慢接触算法设计了。我们比较算法的好坏通常就是以算法复杂度为核心指标。我们可以看到不同的算法思路，就会有不同的复杂度。分治法，说白了核心就是把一个大的问题分解为小的问题，然后当小的问题求解完成以后，按照一定的方法将小的问题的答案汇总为大问题的答案。所以，通常而言，我们也要先看看目标问题能不能用分治法来求解。今天我们就简单讨论下分治法的一个常用例子-Merge_sort(归并排序)。归并排序的核心步骤如下：1. 将需要排序的元素等分为两部分2. 将两

上面一篇文章我们给出了算法复杂度的定义以及大致的分析原则，这次，我们要对算法复杂度进行一些必要的细化与补充。让大家能够看明白为什么要遵循那四条原则，或者是一些有用的推论，能够帮助我们提高效率。...

在各种论文中我们经常会看到算法复杂度分析。这是一个高频出现的内容。大部分的同学第一反应肯定是 什么是复杂度？算法复杂度是不是算法具体执行了多少次？其实算法复杂度是指算法的时间复杂度，其单位并不是一次具体的运算(如 加法 乘法 或者寄存器操作等)，相反，凡是能够在有限时间内完成的，统称为常数时间操作，是算法复杂度的基本单位。算法的时间复杂度也不是指具体的算法执行次数，而是指随着算法输入规模增加，算法的复杂度增长的规律。因此，算法复杂度是一个极限的概念，也称为渐进复杂度。既然是极限相关的分析，所以我们先给出