Jason的专栏

一： 最小生成树1. 概念    首先看如下图，不知道大家能总结点什么。    对于一个连通图G，如果其全部顶点和一部分边构成一个子图G1，当G1满足：       ① 刚好将图中所有顶点连通。②顶点不存在回路。则称G1就是G的“生成树”。           其实一句话总结就是：生成树是将原图的全部顶点以最小的边连通的子图，这不，如下的连通图可以得到下面的两个生成树。

今天来分享一下图，这是一种比较复杂的非线性数据结构，之所以复杂是因为他们的数据元素之间的关系是任意的，而不像树那样被几个性质定理框住了，元素之间的关系还是比较明显的，图的使用范围很广的，比如网络爬虫，求最短路径等等，不过大家也不要胆怯，越是复杂的东西越能体现我们码农的核心竞争力。             既然要学习图，得要遵守一下图的游戏规则。一： 概念       图是由

今天说下最后一种树，大家可否知道，文件压缩程序里面的核心结构，核心算法是什么？或许你知道，他就运用了赫夫曼树。听说赫夫曼胜过了他的导师，被认为”青出于蓝而胜于蓝“，这句话也是我比较欣赏的，嘻嘻。 一  概念    了解”赫夫曼树“之前，几个必须要知道的专业名词可要熟练记住啊。     1： 结点的权            “权”就相当于“重要度”，我们形象的用一个具体的

先前说了树的基本操作，我们采用的是二叉链表来保存树形结构，当然二叉有二叉的困扰之处，比如我想找到当前结点的“前驱”和“后继”，那么我们就必须要遍历一下树，然后才能定位到该“节点”的“前驱”和“后继”，每次定位都是O（n），这不是我们想看到的，那么有什么办法来解决呢？   （1） 在节点域中增加二个指针域，分别保存“前驱”和“后继”，那么就是四叉链表了，哈哈，还是有点浪费空间啊。

先前我们讲的都是“线性结构”，他的特征就是“一个节点最多有一个”前驱“和一个”后继“。那么我们今天讲的树会是怎样的呢？我们可以对”线性结构“改造一下，变为”一个节点最多有一个"前驱“和”多个后继“。哈哈，这就是我们今天说的”树“。 一： 树      我们思维中的”树“就是一种枝繁叶茂的形象，那么数据结构中的”树“该是怎么样呢？对的，他是一种现实中倒立的树。1：术语

天跟大家聊聊栈，在程序设计中，栈的使用还是非常广泛的，比如有“括号匹配问题“，”html结构匹配问题“。所以说掌握了”栈“的使用，对我们学习算法还是很有帮助的。 一： 概念         栈，同样是一种特殊的线性表，是一种Last In First Out（LIFO)的形式，现实中有很多这样的例子，     比如：食堂中的一叠盘子，我们只能从顶端一个一个的取。 二：存

可能大家都知道，线性表的变种非常非常多，比如今天讲的“队列”，灰常有意思啊。 一：概念          队列是一个”先进先出“的线性表，牛X的名字就是“First in First Out(FIFO)”，      生活中有很多这样的场景，比如读书的时候去食堂打饭时的”排队“。当然我们拒绝插队。 二：存储结构         前几天也说过，线性表有两种”存储结构“，①

一：线性表的简单回顾       上一篇跟大家聊过“线性表"顺序存储，通过实验，大家也知道，如果我每次向顺序表的头部插入元素，都会引起痉挛，效率比较低下，第二点我们用顺序存储时，容易受到长度的限制，反之就会造成空间资源的浪费。 二：链表      对于顺序表存在的若干问题，链表都给出了相应的解决方案。1. 概念：其实链表的“每个节点”都包含一个”数据域“和”指针域“。

人活在社会上不可能孤立，比如跟美女有着千丝万缕的关系，有的是一对一，有的是一对多，有的是多对多。哈哈，我们的数据也一样，存在这三种基本关系，用术语来说就是:  线性关系。  树形关系。  网状关系。 一： 线性表      1 概念：                 线性表也就是关系户中最简单的一种关系，一对一。                  如：学生学号的

树在数据结构中大行其道，什么领域都要沾一沾，碰一碰。就拿我们前几天学过的排序就用到了堆和今天讲的”二叉排序树“，所以偏激的说，掌握的树你就是牛人了。 今天就聊聊这个”五大经典查找“中的最后一个”二叉排序树“。 1. 概念:      其实很简单，若根节点有左子树，则左子树的所有节点都比根节点小。                             若根节点有右子树，

哈希查找：     对的，他就是哈希查找，说到哈希，大家肯定要提到哈希函数，呵呵，这东西已经在我们脑子里面形成固有思维了。大家一定要知道“哈希“中的对应关系。     比如说： ”5“是一个要保存的数，然后我丢给哈希函数，哈希函数给我返回一个”2"，那么此时的”5“和“2”就建立一种对应关系，这种关系就是所谓的“哈希关系”，在实际应用中也就形成了”2“是key，”5“是valu

在我们的生活中，无处不存在着查找，比如找一下班里哪个mm最pl，猜一猜mm的芳龄....... 对的这些都是查找。 在我们的算法中，有一种叫做线性查找。分为：顺序查找。        折半查找。 查找有两种形态：分为：破坏性查找，   比如有一群mm，我猜她们的年龄，第一位猜到了是23+，此时这位mm已经从我脑海里面的mmlist中remove掉了。

今天跟大家聊聊最后三种排序： 直接插入排序，希尔排序和归并排序。 直接插入排序：       这种排序其实蛮好理解的，很现实的例子就是俺们斗地主，当我们抓到一手乱牌时，我们就要按照大小梳理扑克，30秒后，   扑克梳理完毕，4条3，5条s，哇塞......  回忆一下，俺们当时是怎么梳理的。       最左一张牌是3，第二张牌是5，第三张牌又是3，赶紧插到第一张牌后面去，第四

今天说的是选择排序，包括“直接选择排序”和“堆排序”。 话说上次“冒泡排序”被快排虐了，而且“快排”赢得了内库的重用，众兄弟自然眼红，非要找快排一比高下。这不今天就来了两兄弟找快排算账。 1.直接选择排序： 先上图： 说实话，直接选择排序最类似于人的本能思想，比如把大小不一的玩具让三岁小毛孩对大小排个序，那小孩首先会在这么多玩具中找到最小的放在第一位，然后找

针对现实中的排序问题，算法有七把利剑可以助你马道成功。 首先排序分为四种：       交换排序： 包括冒泡排序，快速排序。      选择排序： 包括直接选择排序，堆排序。      插入排序： 包括直接插入排序，希尔排序。      合并排序： 合并排序。 那么今天我们讲的就是交换排序，我们都知道，C#类库提供的排序是快排，为了让今天玩的有意思点，我们设计算

小师弟也跑去找工作了，也就碰到了各种各样的面试题（就是：如何产生1-100之间的100个不重复的随机数），如果这是你是第一次看到这个题目，也许你的想法有很多。 1：首先从原始数组中随机选择一个数字，然后将该数字从数组中剔除，再随记选，再剔除，重复99次，就解决了。    我们知道从数组中剔除一个元素的复杂度为O（N)，那么随机选取n个数字，它的复杂度就是O(N2)了。2：用hash

今天写最后一篇来结束这个系列，我们知道很多算法解决问题的步骤都是固定的，而概率算法每一步的选择都是随机的，当在某些领域问题中通常比最优选择省时，所以就大大提高了算法的效率，降低了复杂度。 一：思想      这里主要讲一下“数值概率算法”，该算法常用于解决数值计算问题，并且往往只能求得问题的近似解，同一个问题同样的概率算法求解两次可能得到的结果大不一样，不过没关系，这种“近似解

今天跟大家分享下算法思想中比较难的一种"动态规划"，动态规划给人像是作战时常用的“迂回战术”，或者说是游击战，在运动中寻找突破口。 一： 思想   首先要了解”动态规划“，必须先知道什么叫做”多阶段决策“，百科里面对这个问题解释的很全，我就load一段出来，大家得要好好品味，好好分析。 上面图中最后一句话就定义了动态规划是要干什么的问题。 二：使用规则

记得广告中经常听到过，抱着试试看的态度买了3个疗程，效果不错........  也经常听人说过什么车到山前必有路，船到桥头自然直。哈哈，这种思想就是回溯思想，也可称为试探思想。 一： 思想       有时我们要得到问题的解，先从其中某一种情况进行试探，在试探过程中，一旦发现原来的选择是错误的，那么就退回一步重新选择，   然后继续向前试探，反复这样的过程直到求出问题的解。

一： 思想     有时候我们处理一个复杂的问题，可能此问题求解步骤非常杂，也可能是数据非常多，导致我们当时很难求出或者无法求出，古语有云：步步为营，各个击破，这个思想在算法中称为分治思想，就是我们可以将该问题分解成若干个子问题，然后我们逐一解决子问题，最后将子问题的答案组合成整个问题的答案。 二: 条件     当然各个思想都有它的使用领域，所以玩这场分治游戏就要遵守它的

今天分享一下枚举思想，这种思想也常是码畜，码奴常用的手段，经常遭到码农以上级别的鄙视，枚举思想可以说是在被逼无奈时最后的狂吼。 一： 思想     有时我们解决某个问题时找不到一点规律，此时我们很迷茫，很痛苦，很蛋疼，突然我们灵光一现，发现候选答案的问题规模在百万之内，此时我们就想到了从候选答案中逐一比较，一直找到正确解为止。 二: 条件     前面也说了，枚举是我们

说到“贪”字，很邪恶的一个词，记得和珅和大人拆解过这个字，为”今“和”贝“，而”贝“字分解成”上面的那个XX“和”人“，意思就是说今天你贪了，明天一座监狱就把你套起来，纵观古今，有多少豪杰与"贪“结下了不解之缘，呵呵，扯远了。    这个贪心的行为在算法中也成为了一种指导思想，也就是说贪心算法所作出的选择在当时的环境下是最好的，说深一点就是它只是某种意义上的局部最优解，但不一定是全

今天说说递归思想，在我们编码时，有的时候递归能够让我们的算法更加通俗易懂，并且代码量也是大大的减少。比如我先前的系列中说到了关于树的“先序，中序和后序”遍历，那么看看用递归来描叙这个问题是多少的简洁，多么的轻松。 1 #region 二叉树的先序遍历 2 /// 3 /// 二叉树的先序遍历 4 /// 5 /// 6 /// 7

像俺一样奋斗在一线的码农们，一谈到学编程，都是说要学会XX语言就OK了，其实我们理解的有一点点的偏差，因为我们只说到了三分之一，其实真正的编程应该是：编程=数据结构+算法+XX语言。    对的，XX语言只是一个工具而已，就好比我们知道用笔来写字，但是不见得我们就能写出一手让张恨水为之倾倒的好字，其实我也说过算法不仅仅用于程序设计中，在我们的生活中也处处存在着算法，比如记得我大二学C#

我们知道，二叉查找树相对来说比较容易形成最坏的链表情况，所以前辈们想尽了各种优化策略，包括AVL，红黑，以及今天要讲的Treap树。       Treap树算是一种简单的优化策略，这名字大家也能猜到，树和堆的合体，其实原理比较简单，在树中维护一个"优先级“，”优先级“采用随机数的方法，但是”优先级“必须满足根堆的性质，当然是“大根堆”或者“小根堆”都无所谓，比如下面的一棵树：

上一篇我们聊过，二叉查找树不是严格的O(logN)，导致了在真实场景中没有用武之地，谁也不愿意有O(N)的情况发生，作为一名码农，肯定会希望能把“范围查找”做到地球人都不能优化的地步。     当有很多数据灌到我的树中时，我肯定会希望最好是以“完全二叉树”的形式展现，这样我才能做到“查找”是严格的O(logN)，比如把这种”树“调正到如下结构。     这里就涉及到了“树节点”

一：场景：1：现状    前几天我的一个大学同学负责的网站出现了严重的性能瓶颈，由于业务是写入和读取都是密集型，如果做缓存，时间间隔也只能在30s左右，否则就会引起客户纠纷，所以同学也就没有做缓存，通过测试发现慢就慢在数据读取上面，总共需要10s，天啊...原来首页的加载关联到了4张表，而且表数据中最多的在10w条以上，可以想象4张巨大表的关联，然后就是排序+范围查找等等相关的条件

在数据结构的世界里，我们会认识各种各样的数据结构，每一种数据结构都能解决相应领域的问题，每一种数据结构都像是降龙十八掌中的某一掌，掌掌毙命。。。 当然每个数据结构，有他的优点，必然就有它的缺点，那么如何创造一种数据结构来将某两种数据结构进行扬长避短，那就非常完美了。这样的数据结构也有很多，比如：双端队列，还有就是今天讲的 块状链表，   我们都知道 数组 具有 O(1)的查询时间，O(

这篇再看看一个经典的排序，梳排序，为什么取名为梳，可能每个梳都有自己的gap吧，大梳子gap大一点，小梳子gap小一点。上一篇我们看到鸡尾酒排序是在冒泡排序上做了一些优化，将单向的比较变成了双向，同样这里的梳排序也是在冒泡排序上做了一些优化。冒泡排序上我们的选择是相邻的两个数做比较，就是他们的gap为1，其实梳排序提出了不同的观点，如果将这里的gap设置为一定的大小，效率反而必gap=

要是文艺点的话，可以说是搅拌排序，通俗易懂点的话，就叫“双向冒泡排序”，我想作为码农的话，不可能不知道冒泡排序，冒泡是一个单向的从小到大或者从大到小的交换排序，而鸡尾酒排序是双向的，从一端进行从小到大排序，从另一端进行从大到小排序。从图中可以看到，第一次正向比较，我们找到了最大值9.                       第一次反向比较，我们找到了最小值1.

这个专题因为各种原因好久没有继续下去了，MM吧。。。你懂的，嘿嘿，不过还得继续写下去，好长时间不写，有些东西有点生疏了，这篇就从简单一点的一个“奇偶排序”说起吧，不过这个排序还是蛮有意思的，严格来说复杂度是O(N2)，不过在多核的情况下，可以做到N2 /(m/2)的效率，这里的m就是待排序的个数，当m=100，复杂度为N2 /50，还行把，比冒泡要好点，因为重点是解决问题的奇思妙想。

上一篇我们看了矩阵的顺序存储，这篇我们再看看一种链式存储方法“十字链表”，当然目的都是一样，压缩空间。一：概念    既然要用链表节点来模拟矩阵中的非零元素，肯定需要如下5个元素(row,col,val,down,right)，其中：row:矩阵中的行。col:矩阵中的列。val:矩阵中的值。right:指向右侧的一个非零元素。down：指向下侧的一个非零元素。

我们知道矩阵是一个非常强大的数据结构，在动态规划以及各种图论算法上都有广泛的应用，当然矩阵有着不足的地方就是空间和时间复杂度都维持在N2上，比如1w个数字建立一个矩阵，在内存中会占用1w*1w=1亿的类型空间，这时就会遇到outofmemory。。。那么面临的一个问题就是如何来压缩矩阵，当然压缩的方式有很多种，这里就介绍一个顺序表的压缩方式：三元组。一：三元组    有时候我们的矩

话说大学的时候老师说妹子比工作重要~，工作可以再换，妹子这个。。。所以。。。这两个月也就一直忙着Fall in love，嗨，慢慢调整心态吧，这篇就选一个简单的数据结构聊一聊，话说有很多数据结构都在玩组合拳，比如说：块状链表，块状数组，当然还有本篇的双端队列，是的，它就是栈和队列的组合体。一：概念     我们知道普通队列是限制级的一端进，另一端出的FIFO形式，栈是一端进出的LI

说到排序，大家第一反应基本上是内排序，是的，算法嘛，玩的就是内存，然而内存是有限制的，总有装不下的那一天，此时就可以来玩玩外排序，当然在我看来，外排序考验的是一个程序员的架构能力，而不仅仅局限于排序这个层次。 一：N路归并排序1.概序    我们知道算法中有一种叫做分治思想，一个大问题我们可以采取分而治之，各个突破，当子问题解决了，大问题也就KO了，还有一点我们知道内排序的

或许在生活中，经常会碰到针对某一个问题，在众多的限制条件下，如何去寻找一个最优解？可能大家想到了很多诸如“线性规划”，“动态规划”这些经典策略，当然有的问题我们可以用贪心来寻求整体最优解，在图论中一个典型的贪心法求最优解的例子就莫过于“最短路径”的问题。 一：概序   从下图中我要寻找V0到V3的最短路径，你会发现通往他们的两点路径有很多：V0->V4->V3，V0->V1->V3

这篇我们看看第二种生成树的Kruskal算法，这个算法的魅力在于我们可以打一下算法和数据结构的组合拳，很有意思的。一：思想    若存在M={0,1,2,3,4,5}这样6个节点，我们知道Prim算法构建生成树是从”顶点”这个角度来思考的，然后采用“贪心思想”来一步步扩大化，最后形成整体最优解，而Kruskal算法有点意思，它是站在”边“这个角度在思考的，首先我有两个集合。1. 顶

这一篇我们看看经典又神奇的并查集，顾名思义就是并起来查，可用于处理一些不相交集合的秒杀。一：场景    有时候我们会遇到这样的场景，比如:M={1,4,6,8},N={2,4,5,7}，我的需求就是判断{1,2}是否属于同一个集合，当然实现方法有很多，一般情况下，普通青年会做出O(MN)的复杂度，那么有没有更轻量级的复杂度呢？嘿嘿，并查集就是用来解决这个问题的。二：操作  从名

图论在数据结构中是非常有趣而复杂的，作为web码农的我，在实际开发中一直没有找到它的使用场景，不像树那样的频繁使用，不过还是准备仔细的把图论全部过一遍。一：最小生成树       图中有一个好玩的东西叫做生成树，就是用边来把所有的顶点联通起来，前提条件是最后形成的联通图中不能存在回路，所以就形成这样一个推理：假设图中的顶点有n个，则生成树的边有n-1条，多一条会存在回路，少一路则不

赫夫曼树又称最优二叉树，也就是带权路径最短的树，对于赫夫曼树，我想大家对它是非常的熟悉，也知道它的应用场景，但是有没有自己亲手写过，这个我就不清楚了，不管以前写没写，这一篇我们来玩一把。一：概念 赫夫曼树里面有几个概念，也是非常简单的，先来看下面的图：1. 基础概念  节点的权： 节点中红色部分就是权，在实际应用中，我们用“字符”出现的次数作为权。  路径长度：可以理解