散列表简介11.1.1
来源:互联网 发布:java的历史 编辑:程序博客网 时间:2024/05/29 04:18
编译处理时候涉及到变量及属性的管理,动态查找管理
插入:新变量
查找:变量的引用
如果利用查找树(搜索树)进行变量管理:
两个变量名(字符串)比较效率不高
目前已经知道的几种查找方法:
顺序查找 O(N)
二分查找 O(log2 N) 提前排序
二叉搜索树 O(h)h为树的高度
平衡二叉树 O(log2 N)
如果根据对象算出对象的位置,那么插入、查找、删除时间复杂度几乎为O(1),这就是要介绍的散列表
散列表的两个重点:
计算对象的位置:散列函数
冲突的解决策略:解决多个对象落在同一位置的情况
以下图片来自网络
以下引自百度百科:
散列函数能使对一个数据序列的访问过程更加迅速有效,通过散列函数,数据元素将被更快地定位。
实际工作中需视不同的情况采用不同的哈希函数,通常考虑的因素有:
· 计算哈希函数所需时间
· 关键字的长度
· 哈希表的大小
· 关键字的分布情况
· 记录的查找频率
1. 直接寻址法:取关键字或关键字的某个线性函数值为散列地址。即H(key)=key或H(key) = a·key + b,其中a和b为常数(这种散列函数叫做自身函数)。若其中H(key)中已经有值了,就往下一个找,直到H(key)中没有值了,就放进去。
2. 数字分析法:分析一组数据,比如一组员工的出生年月日,这时我们发现出生年月日的前几位数字大体相同,这样的话,出现冲突的几率就会很大,但是我们发现年月日的后几位表示月份和具体日期的数字差别很大,如果用后面的数字来构成散列地址,则冲突的几率会明显降低。因此数字分析法就是找出数字的规律,尽可能利用这些数据来构造冲突几率较低的散列地址。
3. 平方取中法:当无法确定关键字中哪几位分布较均匀时,可以先求出关键字的平方值,然后按需要取平方值的中间几位作为哈希地址。这是因为:平方后中间几位和关键字中每一位都相关,故不同关键字会以较高的概率产生不同的哈希地址。[2]
例:我们把英文字母在字母表中的位置序号作为该英文字母的内部编码。例如K的内部编码为11,E的内部编码为05,Y的内部编码为25,A的内部编码为01, B的内部编码为02。由此组成关键字“KEYA”的内部代码为11052501,同理我们可以得到关键字“KYAB”、“AKEY”、“BKEY”的内部编码。之后对关键字进行平方运算后,取出第7到第9位作为该关键字哈希地址,如下图所示
关键字
内部编码
内部编码的平方值
H(k)关键字的哈希地址
KEYA
11050201
122157778355001
778
KYAB
11250102
126564795010404
795
AKEY
01110525
001233265775625
265
BKEY
02110525
004454315775625
315
[2]
4. 折叠法:将关键字分割成位数相同的几部分,最后一部分位数可以不同,然后取这几部分的叠加和(去除进位)作为散列地址。数位叠加可以有移位叠加和间界叠加两种方法。移位叠加是将分割后的每一部分的最低位对齐,然后相加;间界叠加是从一端向另一端沿分割界来回折叠,然后对齐相加。
5. 随机数法:选择一随机函数,取关键字的随机值作为散列地址,通常用于关键字长度不同的场合。
6. 除留余数法:取关键字被某个不大于散列表表长m的数p除后所得的余数为散列地址。即 H(key) = key MOD p,p<=m。不仅可以对关键字直接取模,也可在折叠、平方取中等运算之后取模。对p的选择很重要,一般取素数或m,若p选的不好,容易产生同义词。[3]
处理冲突
1. 开放寻址法:Hi=(H(key) + di) MOD m,i=1,2,…,k(k<=m-1),其中H(key)为散列函数,m为散列表长,di为增量序列,可有下列三种取法:
1.1. di=1,2,3,…,m-1,称线性探测再散列;
1.2. di=1^2,-1^2,2^2,-2^2,⑶^2,…,±(k)^2,(k<=m/2)称二次探测再散列;
1.3. di=伪随机数序列,称伪随机探测再散列。
2. 再散列法:Hi=RHi(key),i=1,2,…,k RHi均是不同的散列函数,即在同义词产生地址冲突时计算另一个散列函数地址,直到冲突不再发生,这种方法不易产生“聚集”,但增加了计算时间。
3. 链地址法(拉链法)
4. 建立一个公共溢出区
后面将用C语言实现上面各种不同冲突策略的情况,并理论分析各自性能
后面将用C语言实现上面各种不同冲突策略的情况,并理论分析各自性能
0 0
- 散列表简介11.1.1
- 列表简介
- 列表框控件简介
- OpenGL简介--显示列表
- 列表框控件简介
- 列表–简介
- 列表框控件简介
- 前缀列表简介
- Python列表简介
- 列表简介(python)
- Perl数组和列表简介
- h5标签l列表简介
- 散列表1
- MFC实现最近文件列表简介
- OpenGL中显示列表的简介
- MFC实现最近文件列表简介
- Ajax / Javascript 框架简介及集合列表
- Maya 随附插件列表[官方简介]
- 惠州学院-数据库实验3-数据库中数据的更新
- ThinkPHP与PHP的上传与下载
- js兼容的一些方式
- 04-树6 Complete Binary Search Tree (30分)
- 使用tf库:编写tf广播器(C++)
- 散列表简介11.1.1
- 图片放大 demo
- java(四)
- 【机器学习】【sklearn】使用sklearn优雅地进行数据挖掘
- java个人笔记
- Python3解析MS-Celeb-1M人脸数据集中的FaceImageCroppedWithAlignment.tsv文件
- iOS系列之一设置LaunchImage
- G
- linux下安装mysql-5.7.18-linux-glibc2.5-x86_64.tar.gz