算法图解（5~6）

散列表 | 哈希表（Hash Table）

通过散列函数将关键字（key）映射到数组中的特定位置，以便来快速查找数据。

哈希表就是c++内置散列表

散列 函数：将输入的关键字转换为整数，散列函数的质量决定了散列表的性能，好的散列函数应能均匀地分布关键字，避免冲突。

填充 | 负载因子：元素总数 / 位置总数，一旦填装因子大于0.7，就应该调整散列表的长度。

散列冲突：将无限的关键字空间映射到有限的数组索引上，不同的关键字可能映射到相同的索引位置，

冲突解决方法：

1. 链地址法:当发生冲突时，将新元素插入到相应索引位置的链表中。
2. 开放地址法：当发生冲突时，探测下一个空闲的位置。常见的探测方式有线性探测、二次探测和双重散列

优点：查找、插入和删除操作的平均时间复杂度很低。平均时间复杂度都是 O(1)

缺点：最坏情况下性能较差，可能退化到 O(n)，尤其是在发生大量冲突时。高度依赖于良好的散列函数和较低的填充因子

空间：复杂度为 O(n)

适用场景：应用于需要快速查找的场景

图

图是一种数据结构，由节点和边组成，直接相连的节点，称为邻居

图可以分为以下几种类型：

1. 无向图 (Undirected Graph)：边没有方向，边连接的两个顶点之间是对称的关系。

2. 有向图 (Directed Graph, Digraph)：边有方向，表示从一个顶点指向另一个顶点的关系。

3. 加权图 (Weighted Graph)：边有权重，表示边之间的连接强度或距离等数值。

4. 无权图 (Unweighted Graph)：边没有权重，只表示顶点之间的关系。

5. 连通图 (Connected Graph)：任意两个顶点之间都有路径相连的无向图。

6. 非连通图 (Disconnected Graph)：存在至少一对顶点之间没有路径的无向图。

7. 树 (Tree)：一种特殊的连通无向图，没有环路，每两个顶点之间都有唯一的路径。

8. 有向无环图 (Directed Acyclic Graph, DAG)：一种没有环的有向图，常用于表示任务调度等依赖关系。

队列（Queue）

遵循先进先出（FIFO, First In First Out）的原则。

队列的实现：

• 数组实现：用固定大小的数组来实现队列，可能会遇到数组空间的浪费或溢出的问题。
• 链表实现：用链表来实现队列，可以动态分配内存，避免空间浪费。

队列的类型：

1. 普通队列（Simple Queue）：最基本的队列形式，支持入队和出队操作。
2. 循环队列（Circular Queue）：队列首尾相连，避免数组实现中的空间浪费问题。
3. 双端队列（Deque, Double-ended Queue）：允许在队列的两端进行入队和出队操作。
4. 优先队列（Priority Queue）：队列中的元素具有优先级，出队时优先级高的元素先被处理。

适用场景：按顺序处理任务的场景，如任务调度、广度优先搜索等。

BFS广度优先搜索（查找算法）

是一种图或树的遍历算法，它按照层次逐层访问节点，从起始节点开始，先访问与其直接相连的节点，再访问这些节点的邻居，依此类推，直到遍历完所有节点或找到目标节点。

广度优先搜索的应用：最短路径查找，图的连通性检查，拓扑排序，

运行时间：O(V + E)

空间复杂度为 O(V)

实例：首先将添加一个节点到队列，在将所有邻居添加到队列，每次处理队首的逻辑，知道队列为空，提前找到结果

void BFS(int start) {
    vector<bool> visited(V, false); // 创建一个访问标记数组，初始化为未访问
    queue<int> queue; // 创建一个队列

    // 将起始节点标记为已访问并入队
    visited[start] = true;
    queue.push(start);

    while (!queue.empty()) {
        // 从队列中取出一个节点
        int v = queue.front();
        queue.pop();

        // 访问该节点的所有邻居
        for (auto i : adj[v]) {
            if (!visited[i]) {
                visited[i] = true; // 标记邻居节点为已访问
                queue.push(i); // 将邻居节点入队
            }
        }
    }
}