研究散列（Hashing）算法的体会

 

散列，虽然只支持二叉查找树所允许的一部分操作，但是散列具有以常数平均时间执行插入、删除和查找的特点。

散列无法有效支持元素间排序的操作，因此像findMax、findMin以及在线性时间内按顺序打印所有元素的操作都无法支持。

为了解决散列冲突问题，普遍存在两种方式，

一、分离链接法（separate chaining），其做法是将散列到同一个位置的元素以一个链表的方式保存。通常产生冲突的元素被插入到链表的最前面，这样不仅方便，而且由于最后插入的元素最有可能不久再使用，这样在查找起来效率会增加。分离链接实现简单，但是双向链表会占用额外的内存，冲突严重时，查找效率也会严重下降。

二、探测散列表（probing hash tables），其做法是发生冲突时，尝试使用其他的单元，知道找到空闲的单元为止。因为要确保所有的元素都能插入到表中，所需要的表要比分离链接法的表大，其装填因子应该低于λ=0.5。

探测散列表又有三种解决冲突的方法，一种是线性探测，即逐个探测f(i)=i。优点是算法简单，缺点是存在“一次聚集”问题（Primary Clustering）。另一种是平方探测，即f(i)=i²。对于平方探测，表的大小是素数，那么当表至少有一半是空的时候，总能插入一个新的元素。虽然平方探测排除了一次聚集，但是散列到同一位置上的那些元素将探测相同的备选单元，即“二次聚集”（Secondary Clustering）。最后一种是双散列（double hashing），一种流行的选择是f(i)=i*hash₂(x)。这个公式表明需要用到第二个散列函数用来解决冲突。诸如hash₂(x)=R-(x mod R)，R是小于TableSize的素数这样的函数将起到良好的作用，它可以尽可能做到在第一次散列到同样单元的元素，第二次散列到不同的其他元素上，即使会发生最坏的情况，但是非常少。

 

研究散列算法让我联系到另外一个应用，就是产生不重复的随机数，例如卡管理系统。都需要产生不规则的随机数作为卡号或密码，记得遇到一个类似的系统是通过产生可以重复的随机数（20位左右），利用数据库唯一索引检查，避免出现重复。不过运行时间长后，由于数据量越来越大，执行效率低的可怕。现在想起来，其实就是一个解决插入冲突的问题，分段的hashing算法就是一个解决办法不是。