unber的博客

二进制搜索遵循分而治之的方法，其中，列表被分成两半，并且项目与列表的中间元素进行比较。如果找到匹配，则返回中间元素的位置，否则根据匹配产生的结果搜索到两半中的任何一个。因此，要使用二进制搜索技术来搜索某个列表中的元素，需要确保对列表是一个已排好顺序。//更多请阅读：https://www.yiibai.com/data_structure/binary-search.html。执行上面示例代码，得到以下结果 -执行上面示例代码，得到以下结果 -执行上面示例代码，得到以下结果 -C#语言实现示例代码 -

的初始节点开始，然后越来越深，直到找到目标节点或没有子节点的节点。在DFS中，通向未访问节点的边称为发现边，而通向已访问节点的边称为块边。，打印它并将F的所有邻居推入处于就绪状态的堆栈。因此，堆栈现在变为空，并且遍历了图的所有节点。在DFS中使用的数据结构是堆栈。的所有邻居推送到处于就绪状态的堆栈上。的所有邻居推入堆栈中处于就绪状态。的所有邻居推入处于就绪状态的堆栈。开始打印图的所有节点的顺序。弹出是堆栈的顶部元素，即。弹出堆栈的顶部元素，即。弹出堆栈的顶部元素，即。弹出堆栈的顶部元素，即。

广度优先遍历从某个顶点 v 出发，首先访问这个结点，并将其标记为已访问过，然后顺序访问结点v的所有未被访问的邻接点 {vi,..,vj} ，并将其标记为已访问过，然后将 {vi,...,vj} 中的每一个节点重复节点v的访问方法，直到所有结点都被访问完为止。下图所示，右边蓝色表示从 0 开始遍历节点的顺序，下面是记录距离 0 的距离，可知广度优先遍历能求出无权图的最短路径。下面用代码展示如何用广度优先遍历方式完成遍历，并且查询到最短路径。

图的寻路算法也可以通过深度优先遍历 dfs 实现，寻找图 graph 从起始 s 点到其他点的路径，在上一小节的实现类中添加全局变量 from数组记录路径，from[i] 表示查找的路径上i的上一个节点。首先构造函数初始化寻路算法的初始条件，from = new int[G.V()] 和 from = new int[G.V()]，并在循环中设置默认值，visited 数组全部为false，from 数组全部为 -1 值，后面对起始节点进行 dfs 的递归处理。...

深度优先遍历(Depth First Search)的主要思想是首先以一个未被访问过的顶点作为起始顶点，沿当前顶点的边走到未访问过的顶点。当没有未访问过的顶点时，则回到上一个顶点，继续试探别的顶点，直至所有的顶点都被访问过。下图示例的图从 0 开始遍历顺序如右图所示：无向图 G 的一个极大连通子图称为 G 的一个连通分量（或连通分支）。连通图只有一个连通分量，即其自身；非连通的无向图有多个连通分量。连通分量与连通分量之间没有任何边相连。深度优先遍历可以用来求连通分量。

相比于一般的计算机处理系统而言，嵌入式系统存在较大的差异性， 它不能实现大容量的存储功能，因为没有与之相匹配的大容量介质，大部分采用的存储介质有E-PROM、EEPROM 等， 软件部分以API编程接口作为开发平台的核心。嵌入式技术与应用开发-嵌入式智能车设计与实现。嵌入式系统嵌入式系统硬件平台演示文稿。嵌入式系统应用-CAN总线原理与配置。嵌入式系统应用-IIC总线原理与配置。嵌入式系统应用-SPI总线原理与配置。嵌入式系统应用-RS总线原理与配置。嵌入式系统应用-嵌入式系统概述。

图论中最常见的操作就是遍历邻边，通过一个顶点遍历相关的邻边。邻接矩阵的遍历邻边的时间复杂度为 O(V)，邻接表可以直接找到，效率更高。...i < n;i ++ )......// 返回图中一个顶点的所有邻边// 由于java使用引用机制，返回一个Vector不会带来额外开销,...对于这两种图的表达方式我们可以抽象出一个接口，生成这一套算法的框架，而不用去考虑底层是邻接表还是邻接矩阵。

图论(Graph Theory)是离散数学的一个分支，是一门研究图(Graph)的学问。图是用来对对象之间的成对关系建模的数学结构，由"节点"或"顶点"(Vertex）以及连接这些顶点的"边"（Edge）组成。值得注意的是，图的顶点集合不能为空，但边的集合可以为空。图可能是无向的，这意味着图中的边在连接顶点时无需区分方向。否则，称图是有向的。下面左图是一个典型的无向图结构，右图则属于有向图。本章节介绍的图都是无向图。

并查集里的 find 函数里可以进行路径压缩，是为了更快速的查找一个点的根节点。对于一个集合树来说，它的根节点下面可以依附着许多的节点，因此，我们可以尝试在 find 的过程中，从底向上，如果此时访问的节点不是根节点的话，那么我们可以把这个节点尽量的往上挪一挪，减少数的层数，这个过程就叫做路径压缩。如下图中，find(4) 的过程就可以路径压缩，让数的层数更少。

上一小节介绍了并查集基于 size 的优化，但是某些场景下，也会存在某些问题，如下图所示，操作 union(4,2)。根据上一小节，size 的优化，元素少的集合根节点指向元素多的根节点。操完后，层数变为4，比之前增多了一层，如下图所示：由此可知，依靠集合的 size 判断指向并不是完全正确的，更准确的是，根据两个集合层数，具体判断根节点的指向，层数少的集合根节点指向层数多的集合根节点，如下图所示，这就是基于 rank 的优化。

按照上一小节的思路，我们把如下图所示的并查集，进行 union(4,9) 操作。合并操作后的结构为：可以发现，这个结构的树的层相对较高，若此时元素数量增多，这样产生的消耗就会相对较大。解决这个问题其实很简单，在进行具体指向操作的时候先进行判断，把元素少的集合根节点指向元素多的根节点，能更高概率的生成一个层数比较低的树。构造并查集的时候需要多一个参数，数组，表示以为根的集合中元素个数。// 构造函数// 初始化, 每一个parent[i]指向自己, 表示每一个元素自己自成一个集合。

对于一组数据，并查集主要支持两个动作：union(p,q) - 将 p 和 q 两个元素连接起来。find(p) - 查询 p 元素在哪个集合中。isConnected(p,q) - 查看 p 和 q 两个元素是否相连接在一起。在上一小节中，我们用数组的形式表示并查集，实际操作过程中查找的时间复杂度为，但连接效率并不高。本小节，我们将用另外一种方式实现并查集。把每一个元素，看做是一个节点并且指向自己的父节点，根节点指向自己。

本小节基于上一小节并查集的结构介绍基础操作，查询和合并和判断是否连接。查询元素所在的集合编号，直接返回数组值，的时间复杂度。......合并元素和元素所属的集合， 合并过程需要遍历一遍所有元素, 再将两个元素的所属集合编号合并，这个过程是复杂度。...return;i < count;i++)...

并查集是一种树型的数据结构，用于处理一些不相交集合的合并及查询问题。并查集的思想是用一个数组表示了整片森林（parent），树的根节点唯一标识了一个集合，我们只要找到了某个元素的的树根，就能确定它在哪个集合里。

本小节基于上一小节并查集的结构介绍基础操作，查询和合并和判断是否连接。查询元素所在的集合编号，直接返回数组值，的时间复杂度。......合并元素和元素所属的集合， 合并过程需要遍历一遍所有元素, 再将两个元素的所属集合编号合并，这个过程是复杂度。...return;i < count;i++)...

并查集是一种树型的数据结构，用于处理一些不相交集合的合并及查询问题。并查集的思想是用一个数组表示了整片森林（parent），树的根节点唯一标识了一个集合，我们只要找到了某个元素的的树根，就能确定它在哪个集合里。

我们使用二分搜索树的目的是通过查找 key 马上得到 value。minimum、maximum、successor（后继）、predecessor（前驱）、floor（地板）、ceil（天花板、rank（排名第几的元素）、select（排名第n的元素是谁）这些都是二分搜索树顺序性的表现。二叉搜索树可能退化成链表，相应的，二叉搜索树的查找操作是和这棵树的高度相关的，而此时这颗树的高度就是这颗树的节点数 n，同时二叉搜索树相应的算法全部退化成 O(n) 级别。二分搜索树在时间性能上是具有局限性的。

本小节介绍二分搜索树节点的删除之前，先介绍如何查找最小值和最大值，以及删除最小值和最大值。以最小值为例（最大值同理）：查找最小 key 值代码逻辑，往左子节点递归查找下去：...// 返回以node为根的二分搜索树的最小键值所在的节点...删除二分搜索树的最小 key 值，如果该节点没有右子树，那么直接删除，如果存在右子树，如图所示：删除节点 22，存在右孩子，只需要将右子树 33 节点代替节点 22。这个删除最小值用代码表示:...

二分搜索树的层序遍历，即逐层进行遍历，即将每层的节点存在队列当中，然后进行出队（取出节点）和入队（存入下一层的节点）的操作，以此达到遍历的目的。如果根节点为空，无可遍历；如果根节点不为空：先将根节点入队；先取出根节点放入队列取出 29，左右孩子节点入队队首 17 出队，孩子节点 14、23 入队。31 出队，孩子节点 30 和 43 入队最后全部出队核心代码示例：...// 二分搜索树的层序遍历// 我们使用LinkedList来作为我们的队列while(!

二分搜索树遍历分为两大类，深度优先遍历和层序遍历。前序遍历结果图示：对应代码示例：...// 对以node为根的二叉搜索树进行前序遍历, 递归算法if( node!= null ){...中序遍历结果图示：对应代码示例：...// 对以node为根的二叉搜索树进行中序遍历, 递归算法if( node!= null ){...后序遍历结果图示：对应代码示例：...

二分搜索树没有下标, 所以针对二分搜索树的查找操作, 这里定义一个 contain 方法, 判断二分搜索树是否包含某个元素, 返回一个布尔型变量, 这个查找的操作一样是一个递归的过程, 具体代码实现如下:...// 查看以node为根的二分搜索树中是否包含键值为key的节点, 使用递归算法...以下实例在二分搜索树中寻找 43 元素元素 43 比根节点 42 大，需要在右子节点继续比较。元素 43 比 59 小，需要在左子节点继续比较。

首先定义一个二分搜索树，Java 代码表示如下:// 树中的节点为私有的类, 外界不需要了解二分搜索树节点的具体实现// 根节点// 树种的节点个数// 构造函数, 默认构造一棵空二分搜索树count = 0;// 返回二分搜索树的节点个数// 返回二分搜索树是否为空Node 表示节点，count 代表节点的数量。

首先定义一个二分搜索树，Java 代码表示如下:// 树中的节点为私有的类, 外界不需要了解二分搜索树节点的具体实现// 根节点// 树种的节点个数// 构造函数, 默认构造一棵空二分搜索树count = 0;// 返回二分搜索树的节点个数// 返回二分搜索树是否为空Node 表示节点，count 代表节点的数量。

二分搜索树（英语：Binary Search Tree），也称为 二叉查找树 、二叉搜索树 、有序二叉树或排序二叉树。若它的左子树不为空，左子树上所有节点的值都小于它的根节点。若它的右子树不为空，右子树上所有的节点的值都大于它的根节点。它的左、右子树也都是二分搜索树。

索引堆是对堆这个数据结构的优化。索引堆使用了一个新的 int 类型的数组，用于存放索引信息。优化了交换元素的消耗。加入的数据位置固定，方便寻找。

上一节的堆排序，我们开辟了额外的空间进行构造堆和对堆进行排序。这一小节，我们进行优化，使用原地堆排序。对于一个最大堆，首先将开始位置数据和数组末尾数值进行交换，那么数组末尾就是最大元素，然后再对W元素进行 shift down 操作，重新生成最大堆，然后将新生成的最大数和整个数组倒数第二位置进行交换，此时到处第二位置就是倒数第二大数据，这个过程以此类推。

上一节的堆排序，我们开辟了额外的空间进行构造堆和对堆进行排序。这一小节，我们进行优化，使用原地堆排序。对于一个最大堆，首先将开始位置数据和数组末尾数值进行交换，那么数组末尾就是最大元素，然后再对W元素进行 shift down 操作，重新生成最大堆，然后将新生成的最大数和整个数组倒数第二位置进行交换，此时到处第二位置就是倒数第二大数据，这个过程以此类推。

堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆是一个近似 完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。

本小节将介绍如何从一个最大堆中取出一个元素，称为 shift down，只能取出最大优先级的元素，也就是根节点，把原来的 62 取出后，下面介绍如何填补这个最大堆。第一步，我们将数组最后一位数组放到根节点，此时不满足最大堆的定义。调整的过程是将这个根节点 16 一步一步向下挪，16 比子节点都小，先比较子节点 52 和 30 哪个大，和大的交换位置。继续比较 16 的子节点 28 和 41，41 大，所以 16 和 41 交换位置。

本小节介绍如何向一个最大堆中添加元素，称为。假设我们对下面的最大堆新加入一个元素52，放在数组的最后一位，52大于父节点16，此时不满足堆的定义，需要进行调整。首先交换索引为 5 和 11 数组中数值的位置，也就是 52 和 16 交换位置。此时 52 依然比父节点索引为 2 的数值 41 大，我们还需要进一步挪位置。这时比较 52 和 62 的大小，52 已经比父节点小了，不需要再上升了，满足最大堆的定义。我们称这个过程为最大堆的 shift up。

堆(Heap)是计算机科学中一类特殊的数据结构的统称。堆通常是一个可以被看做一棵完全二叉树的数组对象。堆中某个节点的值总是不大于或不小于其父节点的值。堆总是一棵完全二叉树。

如果存在正整数 i, j 使得 1 ≤ i < j ≤ n 而且 A[i] > A[j]，则 这个有序对称为 A 的一个逆序对。我们可以使用本教程的归并思想求逆序对的数量。

三路快速排序是双路快速排序的进一步改进版本，三路排序算法把排序的数据分为三部分，分别为小于 v，等于 v，大于 v，v 为标定值，这样三部分的数据中，等于 v 的数据在下次递归中不再需要排序，小于 v 和大于 v 的数据也不会出现某一个特别多的情况），通过此方式三路快速排序算法的性能更优。

双路快速排序算法是随机化快速排序的改进版本，partition 过程使用两个索引值（i、j）用来遍历数组，将v的元素放在索引j所指向位置的右边，v代表标定值。

快速排序由 C. A. R. Hoare 在 1960 年提出。通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

归并排序（Merge sort）是建立在归并操作上的一种有效、稳定的排序算法，该算法是采用分治法(Divide and Conquer）的一个非常典型的应用。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列有序，再使子序列段间有序。若将两个有序表合并成一个有序表，称为二路归并。

希尔排序(Shell Sort)是插入排序的一种，它是针对直接插入排序算法的改进。希尔排序又称缩小增量排序，因 DL.Shell 于 1959 年提出而得名。它通过比较相距一定间隔的元素来进行，各趟比较所用的距离随着算法的进行而减小，直到只比较相邻元素的最后一趟排序为止。

插入排序(InsertionSort)，一般也被称为直接插入排序。对于少量元素的排序，它是一个有效的算法。插入排序是一种最简单的排序方法，它的基本思想是将一个记录插入到已经排好序的有序表中，从而一个新的、记录数增 1 的有序表。在其实现过程使用双层循环，外层循环对除了第一个元素之外的所有元素，内层循环对当前元素前面有序表进行待插入位置查找，并进行移动。

数据结构（英语：data structure）是计算机中存储、组织数据的方式。数据结构是一种具有一定逻辑关系，在计算机中应用某种存储结构，并且封装了相应操作的数据元素集合。它包含三方面的内容，逻辑关系、存储关系及操作。不同种类的数据结构适合于不同种类的应用，而部分甚至专门用于特定的作业任务。例如，计算机网络依赖于路由表运作，B 树高度适用于数据库的封装。