Computer >> คอมพิวเตอร์ >  >> การเขียนโปรแกรม >> การเขียนโปรแกรม
การเขียนโปรแกรม
  1. ต้นไม้ฝ่ายซ้ายลำเอียงในโครงสร้างข้อมูล

    ที่นี่เราจะมาดูกันว่าต้นไม้ฝ่ายซ้ายที่มีความสูงสมดุล (HBLT) คืออะไร พิจารณาไบนารีทรีที่มีโหนดพิเศษเรียกว่า โหนดภายนอก แทนที่แต่ละทรีย่อยที่ว่างเปล่า โหนดอื่นๆ ทั้งหมดเรียกว่า Internal Nodes . เมื่อมีการเพิ่มโหนดภายนอกด้วยไบนารีทรี โหนดนั้นจะเรียกว่า ไบนารีทรีแบบขยาย . หากเราไม่พิจารณาขอบใบของต้นไ

  2. การแทรกลงใน HBLT สูงสุดในโครงสร้างข้อมูล

    การแทรกลงใน Max HBLT สามารถทำได้โดยใช้การดำเนินการ Max Meld การดำเนินการนี้ใช้เพื่อรวม Max HBLT สองรายการเป็น Max HBLT หนึ่งรายการ สมมติว่าเราต้องการแทรก x ลงใน HBLT สูงสุดที่เรียกว่า H เราจะสร้าง HBLT ขนาดเล็กโดยใช้ x จากนั้นรวมสิ่งนี้ด้วย H จากนั้นหลังจากหลอมรวม H จะเก็บองค์ประกอบทั้งหมดรวมถึง x ด

  3. การลบ Max Element จาก Max HBLT ในโครงสร้างข้อมูล

    ใน Max HBLT รูทจะอยู่ที่รูท หากรูทถูกลบ HBLT สูงสุดสองรายการคือ ซ้ายและขวาจะถูกแยกจากกัน เมื่อรวม Max HBLT ทั้งสองเข้าด้วยกันอีกครั้ง เราสามารถรวมพวกมันเป็นหนึ่งเดียวได้ ดังนั้นหลังจากหลอมรวมองค์ประกอบทั้งหมดแล้ว ยกเว้นองค์ประกอบที่ถูกลบ

  4. การหลอม HLT สูงสุดสองตัวในโครงสร้างข้อมูล

    กลยุทธ์ Meld ทำได้ง่ายๆ โดยใช้การเรียกซ้ำ สมมติว่า A และ B เป็น HBLT สองตัวที่จะหลอมรวมกัน หากอันใดอันหนึ่งว่างเปล่า ให้สร้างอันอื่นเป็นผลลัพธ์สุดท้าย หากไม่มี HBLT ว่าง เราต้องเปรียบเทียบองค์ประกอบในรากทั้งสอง รากที่มีองค์ประกอบใหญ่กว่าจะกลายเป็นรากของ HBLT ที่หลอมละลาย สมมติว่า A มีรากที่ใหญ่กว่า

  5. หลายรายการในอาร์เรย์เดียวในโครงสร้างข้อมูล

    การแสดงอาร์เรย์นั้นสิ้นเปลืองพื้นที่โดยพื้นฐานเมื่อจัดเก็บข้อมูลที่จะเปลี่ยนแปลงเมื่อเวลาผ่านไป ในการจัดเก็บข้อมูล เราจัดสรรพื้นที่บางส่วนซึ่งใหญ่พอที่จะเก็บค่าหลายค่าในอาร์เรย์ สมมติว่าเราใช้เกณฑ์การเพิ่มอาร์เรย์ของอาร์เรย์เพื่อเพิ่มขนาดของอาร์เรย์ พิจารณาขนาดอาร์เรย์ปัจจุบันคือ 8192 ซึ่งเต็มแล้ว

  6. การลบองค์ประกอบตามอำเภอใจจาก Max HBLT ในโครงสร้างข้อมูล

    การลบโหนดโดยพลการจาก HBLT สูงสุดหรือต่ำสุดไม่ใช่การดำเนินการมาตรฐาน สำหรับคิวลำดับความสำคัญหรือ HBLT หากเราต้องการลบโหนดที่บอกว่า K จาก HBLT เราต้องปฏิบัติตามกฎต่อไปนี้ ถอดทรีย่อยที่รูทที่ K ออกจากทรี และแทนที่ด้วยการรวมของทรีย่อยของโหนด K อัปเดตค่าจากพาธจาก K เป็นรูท และสลับทรีย่อยบนพาธนี้ตาม

  7. ต้นไม้ฝ่ายซ้ายที่ลำเอียงน้ำหนักในโครงสร้างข้อมูล

    ที่นี่เราจะเห็นรูปแบบอื่นของต้นไม้ฝ่ายซ้าย ในที่นี้ เราจะพิจารณาจำนวนโหนดในทรีย่อย แทนที่จะเป็นความยาวของพาธที่สั้นที่สุดสำหรับรูทไปยังโหนดภายนอก ในที่นี้เราจะกำหนดน้ำหนัก w(x) ของโหนด x ให้เป็นจำนวนโหนดภายในในทรีย่อยที่มีรูท x ถ้า x เป็นโหนดภายนอก น้ำหนักจะเป็น 0 ถ้า x เป็นโหนดภายใน น้ำหนักจะมากกว่

  8. การดำเนินการ WBLT สูงสุดในโครงสร้างข้อมูล

    ที่นี่เราจะมาดูกันว่าการดำเนินการ Max-WBLT ต่างกันอย่างไร HBLT มีการดำเนินการที่แตกต่างกัน เช่น การแทรก การลบ และการเริ่มต้น พวกมันค่อนข้างคล้ายกับ WBLT เช่นกัน อย่างไรก็ตาม การทำ Meld สามารถทำได้ในการผ่านจากบนลงล่างเพียงครั้งเดียว WBLT สามารถดำเนินการผสมผ่านครั้งเดียวได้ เพราะเราสามารถหาค่า w ได้ร

  9. Robin-Hood Hashing ในโครงสร้างข้อมูล

    ในส่วนนี้เราจะมาดูกันว่าโครงการ Robin-Hood Hashing คืออะไร การแฮชนี้เป็นหนึ่งในเทคนิคของการกำหนดที่อยู่แบบเปิด วิธีนี้จะพยายามทำให้เวลาในการค้นหาขององค์ประกอบเท่ากันโดยใช้กลยุทธ์การแก้ปัญหาการชนที่ยุติธรรมยิ่งขึ้น ในขณะที่เรากำลังพยายามแทรก หากเราต้องการแทรกองค์ประกอบ x ที่ตำแหน่ง xi และมีองค์ประกอบ

  10. ต้นไม้ไบนารีเป็นพจนานุกรมในโครงสร้างข้อมูล

    เมื่อเราพยายามใช้พจนานุกรมประเภทข้อมูลนามธรรม โหนดจะเชื่อมโยงกับค่าต่างๆ พจนานุกรมโดยพื้นฐานแล้วคือชุดของปุ่ม ซึ่งจะต้องเป็นองค์ประกอบที่ดึงมาจากการเรียงลำดับทั้งหมด อาจมีข้อมูลเพิ่มเติมซึ่งเกี่ยวข้องกับแต่ละคีย์ แต่ไม่ได้นำไปสู่ความเข้าใจในแนวคิดใดๆ หากมีการใช้พจนานุกรมโดยใช้ต้นไม้ แต่ละโหนดจะมีคี

  11. ผสานอัลกอริทึมในโครงสร้างข้อมูล

    อัลกอริทึม Merge ใช้เพื่อรวมรายการที่เรียงลำดับสองรายการเป็นรายการเดียว อัลกอริทึมนี้ใช้ในกรณีต่างๆ หากเราต้องการทำการจัดเรียงแบบผสาน เราต้องรวมรายการตัวเรียงลำดับเป็นรายการขนาดใหญ่ วิธีการนั้นง่าย เราใช้สองรายการจะมีตัวชี้สองตัว อันแรกจะชี้ไปที่องค์ประกอบของรายการกำปั้น อันที่สองจะชี้ไปที่องค์ประก

  12. B-tree ในโครงสร้างข้อมูล

    เราจะมาดูกันว่าบีทรีคืออะไร B-Trees เป็นต้นไม้ค้นหา m-way เฉพาะทาง สามารถใช้กันอย่างแพร่หลายสำหรับการเข้าถึงแผ่นดิสก์ B-tree ของคำสั่ง m สามารถมีคีย์ m-1 สูงสุดและ m ลูกได้ นี้สามารถเก็บองค์ประกอบจำนวนมากในโหนดเดียว ความสูงจึงค่อนข้างเล็ก นี่เป็นข้อดีอย่างหนึ่งของ B-Trees B-Tree มีคุณสมบัติทั้งหมดข

  13. R-tree ในโครงสร้างข้อมูล

    ที่นี่เราจะเห็นโครงสร้างข้อมูล R-Trees R-Trees ใช้เพื่อจัดเก็บดัชนีข้อมูลพิเศษในลักษณะที่มีประสิทธิภาพ โครงสร้างนี้มีประโยชน์มากในการเก็บแบบสอบถามข้อมูลพิเศษและการจัดเก็บข้อมูล R-trees นี้มีการใช้งานในชีวิตจริง เหล่านี้เป็นเหมือนด้านล่าง − การสร้างดัชนีข้อมูลหลายมิติ การจัดการข้อมูลเกม ถือพ

  14. ต้นไม้สีแดง-ดำในโครงสร้างข้อมูล

    ในส่วนนี้เราจะมาดูกันว่าต้นไม้สีแดง-ดำคืออะไร ต้นไม้สีแดง-ดำเป็นต้นไม้ค้นหาไบนารีที่สมดุลในตัวเอง มีเงื่อนไขบางประการสำหรับแต่ละโหนด เหล่านี้เป็นเหมือนด้านล่าง − แต่ละโหนดมีสี อันไหนแดงหรือดำ รากจะเป็นสีดำเสมอ จะไม่มีโหนดสีแดงสองโหนดที่อยู่ติดกัน ทุกเส้นทางจากโหนด (รวมถึงรูท) ไปยังโหนด N

  15. คำนำหน้าและนิพจน์ Postfix ในโครงสร้างข้อมูล

    วิธีเขียนนิพจน์เลขคณิตเรียกว่าสัญกรณ์ นิพจน์เลขคณิตสามารถเขียนได้สามรูปแบบที่แตกต่างกันแต่เทียบเท่า กล่าวคือ โดยไม่ต้องเปลี่ยนสาระสำคัญหรือผลลัพธ์ของนิพจน์ สัญกรณ์เหล่านี้คือ – สารบัญ คำนำหน้า Postfix สัญกรณ์ infix เป็นสัญกรณ์ปกติที่เราใช้ในขณะที่เขียนนิพจน์ทางคณิตศาสตร์ที่แตกต่างกัน สัญ

  16. ต้นไม้การแข่งขัน ต้นไม้ผู้ชนะ และต้นไม้ผู้แพ้ในโครงสร้างข้อมูล

    ที่นี่เราจะเห็นต้นไม้การแข่งขัน ต้นไม้ Winner และ Looser ต้นไม้การแข่งขันเป็นต้นไม้ไบนารีที่สมบูรณ์ที่มี n โหนดภายนอกและ n – 1 โหนดภายใน โหนดภายนอกเป็นตัวแทนของผู้เล่น และโหนดภายในเป็นตัวแทนของผู้ชนะการแข่งขันระหว่างผู้เล่นสองคน ต้นไม้นี้เรียกอีกอย่างว่าต้นไม้การคัดเลือก มีคุณสมบัติบางอย่างของต้นไม

  17. ต้นไม้ไบนารีที่ไม่ได้รูทในโครงสร้างข้อมูล

    ที่นี่เราจะมาดูกันว่าอะไรคือไบนารีทรีที่ยังไม่ได้ทำการรูท ต้นไม้เหล่านี้เชื่อมต่อด้วยกราฟแบบไม่มีทิศทางโดยไม่มีวงจร ยอดที่มีเพื่อนบ้านหนึ่งคือใบของต้นไม้ จุดยอดที่เหลือคือโหนดภายใน ระดับของจุดยอดคือจำนวนเพื่อนบ้าน ในต้นไม้ที่มีมากกว่าหนึ่งโหนด ใบไม้คือจุดยอดที่มีดีกรีหนึ่ง ทรีอิสระเป็นไบนารีทรีประเ

  18. ต้นไม้ที่ถูกรูทและไม่ได้รูทในโครงสร้างข้อมูล

    ในส่วนนี้ เราจะมาดูกันว่าอะไรคือความแตกต่างระหว่างต้นไม้ที่รูทแล้วกับต้นไม้ที่ยังไม่รูท ในตอนแรก เราจะเห็นตัวอย่างบางส่วนของต้นไม้ที่ทำการรูทแล้วและยังไม่ได้ทำการรูท ตัวอย่างต้นไม้ที่รูทแล้ว − ตัวอย่างของ Unrooted Tree − ความแตกต่างพื้นฐานระหว่างต้นไม้ที่รูทแล้วและไม่ได้รูท ในต้นไม้ที่รูทแล้ว แ

  19. Universal Hashing ในโครงสร้างข้อมูล

    สำหรับฟังก์ชันแฮชใดๆ เราสามารถพูดได้ว่าหากขนาดตาราง m เล็กกว่าขนาดจักรวาล u มาก ดังนั้นสำหรับฟังก์ชันแฮช h จะมีชุดย่อยขนาดใหญ่ของ U ที่เหมือนกัน ค่าแฮช เพื่อขจัดปัญหานี้ เราจำเป็นต้องมีชุดของฟังก์ชันแฮช ซึ่งเราสามารถเลือกฟังก์ชันใดที่เหมาะกับ S ได้ หากฟังก์ชันแฮชส่วนใหญ่เหมาะกับ S มากกว่า เราก็สามา

  20. การแฮชด้วยการโยงในโครงสร้างข้อมูล

    ในส่วนนี้เราจะมาดูกันว่า hashing กับ chaining คืออะไร Chaining เป็นเทคนิคการแก้ปัญหาการชนกันอย่างหนึ่ง เราไม่สามารถหลีกเลี่ยงการชนกัน แต่เราสามารถพยายามลดการชนกัน และพยายามเก็บองค์ประกอบหลายรายการสำหรับค่าแฮชเดียวกัน เทคนิคนี้สมมติว่าฟังก์ชันแฮชของเรา h(x) มีตั้งแต่ 0 ถึง 6 ดังนั้นสำหรับองค์ประกอบม

Total 1466 -คอมพิวเตอร์  FirstPage PreviousPage NextPage LastPage CurrentPage:58/74  20-คอมพิวเตอร์/Page Goto:1 52 53 54 55 56 57 58 59 60 61 62 63 64