Deap ถูกกำหนดให้เป็นโครงสร้างข้อมูลที่ไม่มีองค์ประกอบหรือค่าคีย์ที่โหนดรูท มันถูกสร้างขึ้นโดยใช้กฎต่อไปนี้ - ไม่มีองค์ประกอบใดที่โหนดรูทที่ระบุว่าโหนดรูทว่างเปล่า ทรีย่อยด้านซ้ายของ deap จะระบุฮีปขั้นต่ำ แผนผังย่อยด้านขวาของ deap จะระบุฮีปสูงสุด ดังนั้น ความถูกต้องของข้อความต่อไปนี้สามารถจัดเตรีย

ฮีปขั้นต่ำ-สูงสุดถูกกำหนดให้เป็นทรีไบนารีที่สมบูรณ์ซึ่งมีระดับต่ำสุด (หรือคู่) และสูงสุด (หรือคี่) สลับกัน ระดับคู่จะแสดงเช่น 0, 2, 4 เป็นต้น และระดับคี่จะแสดงเป็น 1, 3, 5 เป็นต้น เราจะพิจารณาในประเด็นต่อไปว่าองค์ประกอบรากอยู่ที่ระดับแรก นั่นคือ 0 ตัวอย่างฮีปต่ำสุด-สูงสุด คุณสมบัติของฮีปต่ำสุด-ส

ในการแทรกองค์ประกอบลงในโครงสร้างข้อมูลเชิงลึก เราอาจต้องใช้ขั้นตอนในการคำนวณค่าต่ำสุดและสูงสุดตามที่แสดงด้านล่าง - ขั้นตอน min_value(m)://การคำนวณค่าต่ำสุดในเชิงลึก ส่งคืน m-2log 2 ((m-1); ขั้นตอน max_value(m)://การคำนวณค่าสูงสุดเป็น deap ส่งคืน m+2log 2 (m-1); การดำเนินการแทรกในโครงสร้างข้อมูลเช

ตอนนี้เราจะอธิบายเทคนิคในการลบองค์ประกอบขั้นต่ำในโครงสร้างข้อมูล Deap ในระหว่างการลบเป้าหมายหลักของเราที่จะลบค่าต่ำสุดจาก deaps เนื่องจากความสูงของต้นไม้มักจะเป็นท่อนซุง มันจึงกินเวลาของการเรียงลำดับท่อนซุง n เราสามารถหารือเกี่ยวกับการดำเนินการลบดังนี้ − Procedure deap_deletion(b[],m): if(m<2) &n

ฮีปคู่ การมีอยู่ของวิธีการทั่วไปที่จะมาถึงโครงสร้างข้อมูล DEPQ (Double Ended Priority Queue) ที่มีประสิทธิภาพจากโครงสร้างข้อมูล single-ended Priority Queue (PQ) ที่ให้การนำการดำเนินการ Remove (aNode) ไปใช้อย่างมีประสิทธิภาพ (การดำเนินการนี้จะกำจัดโหนด aNode จาก ป.ป.ช.) วิธีที่ง่ายที่สุดของวิธีเหล่า

การมีอยู่ของวิธีการทั่วไปที่จะมาถึงโครงสร้างข้อมูล DEPQ (Double Ended Priority Queue) ที่มีประสิทธิภาพจากโครงสร้างข้อมูล single-ended Priority Queue (PQ) ที่ให้การนำการดำเนินการลบ (bNode) ไปใช้อย่างมีประสิทธิภาพ (การดำเนินการนี้จะกำจัดโหนด bNode จาก ป.ป.ช.) วิธีที่ง่ายที่สุดของวิธีเหล่านี้ คือวิธีโค

การโต้ตอบแบบรวมและแบบใบไม้เป็นเทคนิคการโต้ตอบที่ซับซ้อนกว่า ในเทคนิคทั้งสองนี้ ครึ่งหนึ่งขององค์ประกอบจะอยู่ที่ PQ ขั้นต่ำ และอีกครึ่งหนึ่งอยู่ใน PQ สูงสุด เมื่อจำนวนองค์ประกอบเป็นเลขคี่ องค์ประกอบหนึ่งจะถูกเก็บไว้ในบัฟเฟอร์ อิลิเมนต์บัฟเฟอร์นี้ไม่ใช่สมาชิกของ PQ ในเทคนิคการโต้ตอบทั้งหมด แต่ละองค์ปร

DEPQ ที่หลอมละลายได้ (MDEPQ) ถูกกำหนดให้เป็น DEPQ (Double Ended Priority Queue) ที่นอกเหนือจากการดำเนินการ DEPQ ที่ระบุไว้ข้างต้นแล้ว ยังรวมถึงการดำเนินการ meld(p, q) ... รวม DEPQs p และ q เข้าไว้ด้วยกัน DEPQ เดียว ผลลัพธ์ของการรวมคิวลำดับความสำคัญแบบสองปลาย p และ q เป็นคิวลำดับความสำคัญแบบดับเบิ้ลเ

นิยามของ Perfect Hashing Perfect hashing ถูกกำหนดให้เป็นแบบจำลองของการ hash ซึ่งชุดขององค์ประกอบ n ใดๆ สามารถจัดเก็บในตารางแฮชที่มีขนาดเท่ากัน และสามารถดำเนินการค้นหาได้ในเวลาคงที่ มันถูกคิดค้นและอภิปรายโดยเฉพาะโดย Fredman, Komlos และ Szemeredi (1984) ดังนั้นจึงมีชื่อเล่นว่า FKS Hashing นิยามของ St

คำจำกัดความ การแฮชที่สมบูรณ์แบบแบบไดนามิกถูกกำหนดให้เป็นวิธีการเขียนโปรแกรมสำหรับแก้ไขการชนกันในโครงสร้างข้อมูลตารางแฮช ใบสมัคร ในขณะที่ใช้หน่วยความจำมากกว่าคู่กันของตารางแฮช วิธีนี้เหมาะอย่างยิ่งสำหรับสถานการณ์ที่ต้องดำเนินการสืบค้น การแทรก และการลบอย่างรวดเร็วบนชุดองค์ประกอบขนาดใหญ่ การนำไปใช้

มีการตั้งชื่อการแฮชแบบหลายตัวเลือก เนื่องจากมีการใช้ฟังก์ชันแฮชหลายแบบ ในระดับสูง เมื่อมีฟังก์ชันแฮชหลายรายการ แต่ละรายการจะจับคู่กับหลายบัคเก็ต ดังนั้นผู้ออกแบบอัลกอริทึมจึงมีอิสระในการเลือกว่ารายการใดจะอยู่ที่ใด ปรากฎว่าเสรีภาพนี้อนุญาตให้ใช้อัลกอริธึมที่ได้รับการจัดสรรที่มีความสมดุลมากกว่าที่ได้ร

ตัวกรอง Bloom ถูกกำหนดให้เป็นโครงสร้างข้อมูลที่ออกแบบมาเพื่อระบุการมีอยู่ขององค์ประกอบในชุดในลักษณะที่รวดเร็วและมีประสิทธิภาพในหน่วยความจำ โครงสร้างข้อมูลเฉพาะชื่อโครงสร้างข้อมูลความน่าจะเป็น ถูกนำมาใช้เป็นตัวกรองบาน โครงสร้างข้อมูลนี้ช่วยให้เราระบุได้ว่าองค์ประกอบหนึ่งมีอยู่หรือขาดหายไปในชุด Bit

มีตัวชี้วัดประสิทธิภาพสามตัวสำหรับตัวกรอง Bloom ที่สามารถแลกเปลี่ยนได้:การคำนวณหรือเวลาดำเนินการ (ตรงกับจำนวน k ของฟังก์ชันแฮช) ขนาดของตัวกรอง (ตรงกับจำนวน m ของบิต) และความน่าจะเป็นของข้อผิดพลาด (สอดคล้องกับ อัตราบวกลวง f =(1 - p)k ) ตัวกรอง Bloom (BF) มีความทนทานต่อข้อผิดพลาดเพื่อเพิ่มประสิทธิภา

แนวคิดพื้นฐาน ตัวกรอง Counting Bloom ถูกกำหนดให้เป็นโครงสร้างข้อมูลทั่วไปของตัวกรอง Bloom ที่นำมาใช้เพื่อทดสอบว่าจำนวนการนับขององค์ประกอบที่กำหนดนั้นน้อยกว่าเกณฑ์ที่กำหนดเมื่อกำหนดลำดับขององค์ประกอบหรือไม่ ตามรูปแบบทั่วไปของตัวกรอง Bloom มีความเป็นไปได้ที่จะจับคู่ผลบวกที่ผิดพลาด แต่ไม่มีโอกาสเกิดผล

ขนาดเคาน์เตอร์ เราต้องเลือกเคาน์เตอร์ที่ใหญ่พอเพื่อไม่ให้ล้น ขนาดคือ 4 บิต/ตัวนับที่แนะนำโดยการประมาณแบบปัวซอง การใช้งานโหลดโดยเฉลี่ย k =(ln 2)m/n ตัวนับคือ ln 2 ความน่าจะเป็นที่ตัวนับมีโหลดขั้นต่ำ 16:≈e-ln2 (ln 2)16 /16!≈6.78E-17 เราพิจารณา 4 บิต/ตัวนับเพื่อการเปรียบเทียบ เคาน์เตอร์ล้น เมื่อตัวน

เราเลือกบล็อกหน่วยความจำก่อน จากนั้นเราเลือก Bloom Filter ภายในแต่ละบล็อก อาจทำให้เกิดความไม่สมดุลระหว่างบล็อกหน่วยความจำ ตัวกรองนี้มีประสิทธิภาพ แต่มีอัตราการบวกลวง (FPR) ต่ำ ในตัวอย่างแรก ตัวกรอง Bloom ที่ถูกบล็อกควรมี FPR (False Positive Rate) เดียวกันกับตัวกรอง Bloom มาตรฐานที่มีขนาดเท่ากัน Bloc

อัลกอริธึมการปรับสมดุลสามารถทำได้ดังนี้ - อัลกอริธึม Day-Stout-Warren เราสามารถใช้วิธีปรับสมดุลได้จริงโดยใช้อัลกอริทึม Day-Stout-Warren ซึ่งเป็นจำนวนโหนดเชิงเส้นตรง ต่อไปนี้คือการนำเสนอของอัลกอริทึม DSW พื้นฐานในโค้ดหลอก มีการจัดสรรโหนดที่เรียกว่า รากเทียม และทำให้รากที่แท้จริงของต้นไม้เป็นลูกที่

แนวคิดพื้นฐาน แผนผังการค้นหาแบบไบนารีหลายมิติ (ตัวย่อ k-d tree) ถูกกำหนดให้เป็นโครงสร้างข้อมูลสำหรับการจัดเก็บเร็กคอร์ดแบบมัลติคีย์ โครงสร้างนี้ถูกนำมาใช้เพื่อแก้ปัญหา เรขาคณิต จำนวนมากในสถิติและการวิเคราะห์ข้อมูล k-d tree (ย่อมาจาก k-dimensional tree) ถูกกำหนดให้เป็นโครงสร้างข้อมูลการแบ่งพื้นที่ส

ต้นไม้หลายทางถูกกำหนดให้เป็นต้นไม้ที่สามารถมีลูกได้มากกว่าสองคน หากต้นไม้หลายทางสามารถมีลูกได้สูงสุด m ต้นไม้นี้จะถูกเรียกว่าต้นไม้หลายทางที่มีลำดับ m (หรือต้นไม้ทาง m) เช่นเดียวกับต้นไม้อื่นๆ ที่ได้รับการศึกษา โหนดในทรี m-way จะประกอบด้วยฟิลด์คีย์ m-1 และตัวชี้ไปยังลูก ต้นไม้ลำดับที่ 5 เพื่อให

การค้นหาด้วยนิ้วบนโครงสร้างข้อมูลถูกกำหนดให้เป็นส่วนขยายของการดำเนินการค้นหาใดๆ ที่โครงสร้างรองรับ โดยที่การอ้างอิง (นิ้ว) ไปยังองค์ประกอบในโครงสร้างข้อมูลจะได้รับพร้อมกับแบบสอบถาม แม้ว่าเวลาในการค้นหาองค์ประกอบมักแสดงเป็นฟังก์ชันของจำนวนองค์ประกอบในโครงสร้างข้อมูล แต่เวลาในการค้นหาด้วยนิ้วจะถือเป็น