c++程序设计速学笔记3复杂数据结构

🕗 发布于 2024-11-08 16:10 c++ 笔记 数据结构

树（Trees）

树是一种非线性数据结构，用于表示具有层次关系的数据。树由节点（nodes）组成，节点之间通过边（edges）连接。树的根节点（root node）位于顶部，其他节点通过分支（branches）连接。树的每个节点可以有零个或多个子节点（child nodes），没有子节点的节点称为叶节点（leaf nodes）。

树的基本术语

节点（Node）：树中的基本单元，包含数据和指向其子节点的链接。
根节点（Root Node）：树的最顶端节点，没有父节点。
父节点（Parent Node）：一个节点的上一级节点。
子节点（Child Node）：一个节点的下一级节点。
叶节点（Leaf Node）：没有子节点的节点。
兄弟节点（Sibling Nodes）：具有相同父节点的节点。
路径（Path）：从一个节点到另一个节点的序列。
深度（Depth）：从根节点到某节点的路径长度。
高度（Height）：从某节点到其最远叶节点的路径长度。
子树（Subtree）：以某个节点为根的树。

常见的树类型

二叉树（Binary Tree）：每个节点最多有两个子节点，分别称为左子节点和右子节点。特殊形式包括完全二叉树、满二叉树、平衡二叉树等。
二叉搜索树（Binary Search Tree, BST）：
二叉树的一种，其中每个节点的左子树中的所有节点的值都小于该节点的值，右子树中的所有节点的值都大于该节点的值。
支持高效的查找、插入和删除操作。
AVL树：一种自平衡二叉搜索树，任何节点的两个子树的高度最大差别为1。保证了树的高度总是对数级别的，从而保证了高效的操作。
红黑树（Red-Black Tree）：一种自平衡二叉搜索树，通过颜色属性来保持树的平衡。广泛应用于各种数据结构和算法中，如 C++
标准库中的 std::set 和 std::map。
B树：一种自平衡的搜索树，可以有多个子节点。常用于文件系统和数据库系统中，支持高效的磁盘读写操作。
B+树： B树的一种变体，所有数据都存储在叶节点上，叶节点之间有指针相连。适合用于外部存储，如数据库索引。
堆（Heap）：一种特殊的完全二叉树，分为最大堆和最小堆。最大堆中每个节点的值都大于或等于其子节点的值，最小堆则相反。
常用于实现优先队列。

树的应用

文件系统：文件系统中的目录结构可以用树来表示，每个目录是一个节点，文件是叶节点。
数据库索引： B树和B+树广泛用于数据库索引，支持高效的查找和范围查询。
编译器：编译器中的语法树用于表示程序的结构，便于解析和优化。
网络路由：路由表可以用树来表示，支持高效的路由查找。
游戏AI：游戏中的决策树可以用来表示不同的策略和动作。

树的遍历

前序遍历（Pre-order Traversal）：访问根节点 -> 递归遍历左子树 -> 递归遍历右子树。
中序遍历（In-order Traversal）：递归遍历左子树 -> 访问根节点 -> 递归遍历右子树。二叉搜索树的中序遍历结果是有序的。
后序遍历（Post-order Traversal）：递归遍历左子树 -> 递归遍历右子树 -> 访问根节点。
层次遍历（Level-order Traversal）：按照从上到下、从左到右的顺序逐层访问节点。

#include <iostream>

struct TreeNode {
    int val;
    TreeNode* left;
    TreeNode* right;
    TreeNode(int x) : val(x), left(nullptr), right(nullptr) {}
};

void preorderTraversal(TreeNode* root) {
    if (root == nullptr) return;
    std::cout << root->val << " ";
    preorderTraversal(root->left);
    preorderTraversal(root->right);
}

void inorderTraversal(TreeNode* root) {
    if (root == nullptr) return;
    inorderTraversal(root->left);
    std::cout << root->val << " ";
    inorderTraversal(root->right);
}

void postorderTraversal(TreeNode* root) {
    if (root == nullptr) return;
    postorderTraversal(root->left);
    postorderTraversal(root->right);
    std::cout << root->val << " ";
}

int main() {
    // 创建一个简单的二叉树
    TreeNode* root = new TreeNode(1);
    root->left = new TreeNode(2);
    root->right = new TreeNode(3);
    root->left->left = new TreeNode(4);
    root->left->right = new TreeNode(5);

    std::cout << "Pre-order traversal: ";
    preorderTraversal(root);
    std::cout << std::endl;

    std::cout << "In-order traversal: ";
    inorderTraversal(root);
    std::cout << std::endl;

    std::cout << "Post-order traversal: ";
    postorderTraversal(root);
    std::cout << std::endl;

    // 清理内存
    delete root->left->left;
    delete root->left->right;
    delete root->left;
    delete root->right;
    delete root;

    return 0;
}

图（Graphs）

图（Graph）是一种非线性数据结构，用于表示对象之间的复杂关系。图由节点（顶点，Vertices）和边（Edges）组成，可以用来表示多种现实世界的问题，如社交网络、交通网络、计算机网络等。

图的基本概念

顶点（Vertex）：图中的基本单元，表示一个实体或对象。
边（Edge）：连接两个顶点的线，表示顶点之间的关系。
权重（Weight）：边上的数值，表示边的某种属性，如距离、成本等。
有向图（Directed Graph）：边有方向的图，表示从一个顶点到另一个顶点的单向关系。
无向图（Undirected Graph）：边没有方向的图，表示两个顶点之间的双向关系。
邻接（Adjacency）：如果两个顶点之间有一条边直接相连，则称这两个顶点是相邻的。
路径（Path）：从一个顶点到另一个顶点的一系列边。
连通图（Connected Graph）：无向图中任意两个顶点之间都存在路径。
强连通图（Strongly Connected Graph）：有向图中任意两个顶点之间都存在路径。
环（Cycle）：一条从一个顶点出发，经过若干个顶点后回到起点的路径。
度（Degree）：顶点的度表示与该顶点相连的边的数量。
入度（In-degree）：有向图中进入一个顶点的边的数量。
出度（Out-degree）：有向图中从一个顶点出发的边的数量。

图的表示方法

邻接矩阵（Adjacency Matrix）：一个二维数组，A[i][j] 表示顶点 i 和顶点 j 之间的关系。适用于稠密图，占用空间较大。
邻接表（Adjacency List）：一个数组，每个元素是一个链表，链表中的每个节点表示与当前顶点相邻的顶点。适用于稀疏图，占用空间较小。
边列表（Edge List）：一个数组或列表，每个元素是一个边的表示（如一对顶点）。适用于简单图，不便于快速查找顶点的邻居。

图的常见操作

添加顶点：在图中增加一个新的顶点。
添加边：在图中增加一条新的边。
删除顶点：从图中移除一个顶点及其相关的边。
删除边：从图中移除一条边。
查找顶点：判断图中是否存在某个顶点。
查找边：判断图中是否存在某条边。

遍历图：

深度优先搜索（DFS）：从一个顶点开始，沿着一条路径尽可能深入地访问顶点，直到无法继续为止，然后回溯。
广度优先搜索（BFS）：从一个顶点开始，先访问其所有相邻的顶点，再依次访问这些顶点的相邻顶点。

图的应用

社交网络：表示用户之间的关系，如好友关系、关注关系等。
交通网络：表示城市之间的道路连接，用于路径规划和交通流量分析。
计算机网络：表示设备之间的连接，用于网络拓扑分析和路由选择。
推荐系统：表示用户和物品之间的关系，用于个性化推荐。
地图应用：表示地理位置之间的连接，用于导航和路线规划。
电路设计：表示电路元件之间的连接，用于电路仿真和优化。

简单的无向图的实现及其深度优先搜索和广度优先搜索

#include <iostream>
#include <vector>
#include <queue>
#include <stack>

class Graph {
public:
    Graph(int n) : n(n), adj(n) {}

    void addEdge(int u, int v) {
        adj[u].push_back(v);
        adj[v].push_back(u); // 无向图
    }

    void DFS(int start) {
        std::vector<bool> visited(n, false);
        dfsUtil(start, visited);
    }

    void BFS(int start) {
        std::vector<bool> visited(n, false);
        bfsUtil(start, visited);
    }

private:
    int n;
    std::vector<std::vector<int>> adj;

    void dfsUtil(int u, std::vector<bool>& visited) {
        visited[u] = true;
        std::cout << u << " ";

        for (int v : adj[u]) {
            if (!visited[v]) {
                dfsUtil(v, visited);
            }
        }
    }

    void bfsUtil(int start, std::vector<bool>& visited) {
        std::queue<int> q;
        visited[start] = true;
        q.push(start);

        while (!q.empty()) {
            int u = q.front();
            q.pop();
            std::cout << u << " ";

            for (int v : adj[u]) {
                if (!visited[v]) {
                    visited[v] = true;
                    q.push(v);
                }
            }
        }
    }
};

int main() {
    Graph g(4);
    g.addEdge(0, 1);
    g.addEdge(0, 2);
    g.addEdge(1, 2);
    g.addEdge(2, 3);

    std::cout << "Depth First Traversal (starting from vertex 0): ";
    g.DFS(0);
    std::cout << std::endl;

    std::cout << "Breadth First Traversal (starting from vertex 0): ";
    g.BFS(0);
    std::cout << std::endl;

    return 0;
}

堆（Heap）

堆（Heap）是一种特殊的完全二叉树，通常用于实现优先队列（Priority Queue）。堆有两种主要类型：最大堆（Max Heap）和最小堆（Min Heap）。在这两种堆中，每个节点的值都满足一定的条件，使得堆的根节点具有特殊的意义。

堆的基本概念

节点（Node）：堆中的基本单元，包含数据。
根节点（Root Node）：堆的最顶端节点，通常位于数组的索引 0 位置。
父节点（Parent Node）：一个节点的上一级节点。对于索引为 i 的节点，其父节点的索引为 (i - 1) / 2。
子节点（Child Node）：一个节点的下一级节点。对于索引为 i 的节点，其左子节点的索引为 2 * i + 1，右子节点的索引为
2 * i + 2。

堆的类型

最大堆（Max Heap）：每个节点的值都大于或等于其子节点的值。根节点是堆中最大的元素。
最小堆（Min Heap）：每个节点的值都小于或等于其子节点的值。根节点是堆中最小的元素。

堆的操作

插入元素（Insert）：将新元素添加到堆的末尾。通过“上滤”（Percolate Up）操作，将新元素移动到合适的位置，以保持堆的性质。
删除根节点（Delete Root）：移除根节点。将最后一个元素移到根节点的位置。通过“下滤”（Percolate Down）操作，将新根节点移动到合适的位置，以保持堆的性质。
构建堆（Build Heap）：从一个无序数组构建堆。通过“下滤”操作，从最后一个非叶子节点开始，逐步调整堆的结构。堆的应用优先队列（Priority Queue）：堆是实现优先队列的常用数据结构，支持高效的插入和删除操作。
堆排序（Heap Sort）：一种基于堆的排序算法，时间复杂度为 O(n log n)。
Dijkstra算法：用于求解单源最短路径问题，优先队列通常使用堆来实现。
Huffman编码：用于数据压缩，构建最优前缀码树时使用最小堆。

简单的最小堆的实现及其基本操作

#include <iostream>
#include <vector>
#include <algorithm>

class MinHeap {
public:
    MinHeap() {}

    void insert(int value) {
        heap.push_back(value);
        percolateUp(heap.size() - 1);
    }

    int extractMin() {
        if (heap.empty()) {
            throw std::runtime_error("Heap is empty");
        }
        int min = heap[0];
        heap[0] = heap.back();
        heap.pop_back();
        percolateDown(0);
        return min;
    }

    int getMin() const {
        if (heap.empty()) {
            throw std::runtime_error("Heap is empty");
        }
        return heap[0];
    }

    bool empty() const {
        return heap.empty();
    }

    size_t size() const {
        return heap.size();
    }

private:
    std::vector<int> heap;

    void percolateUp(int index) {
        while (index > 0) {
            int parent = (index - 1) / 2;
            if (heap[parent] <= heap[index]) {
                break;
            }
            std::swap(heap[parent], heap[index]);
            index = parent;
        }
    }

    void percolateDown(int index) {
        int n = heap.size();
        while (true) {
            int left = 2 * index + 1;
            int right = 2 * index + 2;
            int smallest = index;

            if (left < n && heap[left] < heap[smallest]) {
                smallest = left;
            }
            if (right < n && heap[right] < heap[smallest]) {
                smallest = right;
            }

            if (smallest == index) {
                break;
            }

            std::swap(heap[index], heap[smallest]);
            index = smallest;
        }
    }
};

int main() {
    MinHeap heap;
    heap.insert(3);
    heap.insert(1);
    heap.insert(4);
    heap.insert(1);
    heap.insert(5);
    heap.insert(9);

    std::cout << "Min element: " << heap.getMin() << std::endl;

    while (!heap.empty()) {
        std::cout << heap.extractMin() << " ";
    }
    std::cout << std::endl;

    return 0;
}

原文地址：https://blog.csdn.net/Bulling_/article/details/143574053

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：探索计算机互联网的奇妙世界：从基础到前沿的无尽之旅
下一篇：three.js 如何简单的实现场景的雾

《生成式 AI》课程第3講 CODE TASK执行文章摘要的机器人
2.设计一个提示符，使语言模型能够对文章进行总结。1.我们希望你创建一个可以执行文章摘要的机器人。
阅读更多2024-11-17
《生成式 AI》课程第3講 CODE TASK 任务2:角色扮演的机器人
我们希望你设计一个机器人服务，你可以用LM玩角色扮演游戏。与LM进行多轮对话提示:告诉聊天机器人扮演任意角色。后续输入:与聊天机器人交互。
阅读更多2024-11-17
存在重复元素 II
判断数组中是否存在两个。
阅读更多2024-11-17
排列问题方法总结（递归+迭代）
这个代码主要就是讲的是逐步生成结果，然后它主要就是利用了一个递归的思想。首先就是先假设我求出来了前 n -1 个数的排列，然后我作为老板我只需要去排列第 n 个数。它的排法一共有三种，首先就是可以
阅读更多2024-11-17
教资考试题目
政治要强”、“情怀要深”、“视野要广”和（ BCD）不仅仅是对全国思政课教师的要求，也是广大教师强化师德修养、践行使命担当的行动指南。课程评价应将教师和学生在课程开发、实施以及教学过程中的全部情况都纳
阅读更多2024-11-17
【更新至2023】A股上市公司企业突破性创新、渐进性创新数据（2000-2023年）
参考C刊《财经问题研究》胡山（2022）老师的研究，用当年获得授权的发明专利数量加 1 后取自然对数来衡量企业突破性创新 ( Invention);用非发明专利 ( 包括实用新型专利和外观设计专利)
阅读更多2024-11-17
Stable Diffusion Hypernetwork Embedding
本节课程我们讲述了另外两种控制图像输出特征和风格的方法---embedding和hypernetwork，embedding在实践中会经常使用到，尤其在反向提示词中，我们会经常使用一些embeddin
阅读更多2024-11-17
深度学习在边缘检测中的应用及代码分析
边缘通常是指图像中像素灰度值发生急剧变化的地方，这些变化可以是由于物体与背景之间的灰度差异、物体不同表面的灰度差异等原因造成的。从数学角度来看，边缘可以看作是图像灰度函数的不连续点或其导数的极值点。
阅读更多2024-11-17
Vulnhub靶场案例渗透[10]- Momentum2
将文件下载,分析对应代码逻辑，发现请求中包含指定cookie键值对和secure参数就能上传php文件了，同时代码中提示实际cookie这个文件中指定字符串多一位大写字符串在末尾。目录下，经过上传一个
阅读更多2024-11-17
企业网络链路聚合、数据抓包、远程连接访问实验
随着信息技术的飞速发展和企业业务的不断扩大，企业网络面临着越来越多的挑战。其中，网络带宽、数据安全和远程访问等问题尤为突出。为了解决这些问题，我们进行了本次企业网络链路聚合、数据抓包和远程连接访问的实
阅读更多2024-11-17

c++程序设计速学笔记3复杂数据结构

树（Trees）

图（Graphs）

堆（Heap）

相关文章