《数据结构》(C++)_清华（邓俊辉）~ ~讲得很细~

2022-07-21 19:32:35

方法步骤：
1、看B站视频，敲代码，做笔记。根据学堂在线分节
2、比较学堂在线视频是否遗漏。
3、做学堂在线习题，补充笔记。

第-章绪论

计算
对象：规律、技巧
目标：高效，低耗
计算机：工具和手段
计算才是目标

绳索计算机及其算法

输入：任给直线l及其上一点A

输出：经过A做l的一条垂线

算法(古埃及)：
1、取12段等长的绳索，首尾连接成环
2、从A点起，将4段绳索沿l抻直并固定于B
3、沿另一方向找到第3段绳索的终点C
4、移动点C，将剩余的3+5段绳索抻直。

由勾股定理：三边边长比为3:4:5，必定组成直角三角形
先固定B点(直线已知，比较好确定)。然后就是C点（注意一条边有3段，一条边有5段，是固定的，所以C点也可以确定）

重复机械地完成过程

尺规计算机及其算法

任给平面上线段AB(输入)，将其三等分(输出)

算法：
1、从A发出一条与AB不重合的射线ρ
2、在ρ上取AC‘= C‘D‘ = D’B`
3、连接B‘B
4、经D‘做B’B的平行线，交AB于D
5、经C’做B’B的平行线，交AB于C

相似三角形定理

分解成若干个步骤，机械执行。

P4
计算 = 信息处理
借助某种工具，遵照一定规则，以明确而机械的形式进行。

算法：特定计算模型下，旨在解决特定问题的指令序列。
输入，输出，正确性，确定性，可行性，有穷性。

偶尔上升，总体下降

int halistone(int n) {// 计算序列Hailstone(n)的长度
	int length = 1;
	while (n > 1) {
		(n % 2) ? n = 3 * n + 1 : n /= 2; length++;
	}
	return length;   
}

长度与n并非成正比
有些n结果为无穷，是否为算法有争议

程序 ≠ 算法
死循环或者栈溢出

P6 好算法
效率：速度尽可能快；存储空间尽可能少。

P7
Data Structure + Algorithm (DSA)
度量

To measure is to know.
If you can not measure it,
you can not improve it.
— Lord Kelvin

P8
成本：时间 + 存储空间
规模
P9
P10
P11

图灵机模型(Turing Machine,TM)

Tape(磁带) 依次均匀地划分为单元格，各注有某一字符，默认为’#’

Head : 总是对准某一单元格，并可读取和改写其中的字符。每经过一个节拍，可转向左侧或右侧的邻格。

state: TM(图灵机) 总是处于有限种状态中的某一种，每经过一个节拍，可(按照规则)转向另一种状态。

Transition Function： (q, c; d, L/R,p): 若当前状态为q且当前字符为c,则将当前字符改写为d;转向左侧/右侧的邻格；转入p状态。一旦转入特定的状态’h’，则停机。

P12 ？

TM : Increase
功能：将二进制非负整数加一

P13 RAM(Random Access Machine)
1、寄存器顺序编号，总数没有限制。
2、每一基本操作仅需要常数时间

P14 RAM实例？

结论：

执行过程可以记录为一张表
表的行数，即是所执行基本指令的总条数

P15

Mathematic is more in need of good notations than of new theorems.
----Alan Turing
好的记号 > 新理论

好书不求甚解
每有会意，便欣然忘食
---- 陶渊明

解决大规模问题的潜力(长远)
关注主要方面(主流)

对于规模为n输入
1、需要执行的基本操作数： T(n)
2、需占用的存储单元数： S(n) (通常不考虑)

P16
放大
上界：

下界（算法最好的情况）

P17

1、O(1): 不含转向(循环、调用、递归等)，必顺序执行

2、 O(logn)，非常有效，复杂度无限接近于常数
3、O(n^c)
4、线性O(n)
5、 T(n) = a^n, 不可忍受
P20

例：2-Subset

S 包含n 个正整数，和为2m
S是否有子集T, 其和为m.

1、直觉算法：逐一枚举S的每一子集，并统计其中元素的总和。

迭代2^n轮

2- Subset is NP-complete
意思是：就目前的计算模型而言，不存在可在多项式时间内回答此问题的算法

P21

P22

He calculated just as men breathe,
as eagles sustain themselves in the air.
— Francois Arago

eagles: 老鹰

算法分析的两个主要任务：正确性(不变性 × 单调性) + 复杂度。
分支转向
迭代循环
调用 + 递归 (自我调用）

复杂度分析的主要方法：
1、迭代：级数求和

(1) 算数级数：与末项平方同阶

(2) 幂方级数：比幂次高出一阶

(3) 几何级数(a > 1): 与末项同阶。

(4) 分数级数: O(1)
2、递归：递归跟踪 + 递推方程
3、猜测+ 验证

P24 循环
矩形面积

例：取非极端元素

问题：
给定整数子集S, |S|=n >= 3
找出元素a ∈ S, a ≠ max(S) 且 a ≠ min(S)

例：起泡排序

问题：给定n个整数，将它们按(非降)序排列。

方法：
扫描交换：依次比较每一对相邻元素，如有必要，交换之

/* 冒泡排序 */
void bubblesort(int A[], int n) {
	for (bool sorted = false; sorted = !sorted;n--)  /* 翻转， 以及自减*/
		for(int i=1; i< n; i++)
			if (A[i - 1] > A[i]){
				swap(A[i - 1], A[i]);     
				sorted = false;    // 清除全局有序标志
			}
}

1、不变性：经k轮扫描交换后，最大的k个元素必然就位
2、单调性：经k轮扫描交换后，问题规模缩减至n-1
3、正确性：经至多n趟扫描后，算法必然终止，且能给出正确解答

P27 封底估算(Back- Of - The - Envelope Calculation)

P29 迭代和递归

迭代乃人工，递归方神通。
To iterate is human, to recurse, divine.

迭代在实际应用中有时候更高效

凡治众如治寡，分数是也。
The control of a large force is the same principle as the control of a few men:
it is merely a question of dividing up their numbers.

分而治之：将大规模分成子块

/* 数组求和：  迭代*/
/* 问题： 计算任意n个整数之和 */
int SumI(int A[], int n) {
	int sum = 0;   // O(1)        // 累加器
	for (int i = 0; i < n; i++)    //O(n)
		sum += A[i];     // O(1)
	return sum;        // O(1)
}
/*  T(n) = O(n)
* S(n) = O(2)
*/

逐步蚕食，不断削减问题有效规模
P30
减而治之(Decrease- and- conquer)
两个子问题：其一平凡，另一规模缩减。

平凡的问题：是指无需进行复杂运算，可以直接给出结果的问题。

P31

/* 数组求和： 线性递归*/
sum(int A[], int n) {
	return (n < 1) ? 0 : sum(A, n - 1) + A[n - 1];
}
/*T(n) = O(1) * (n+1)  = O(n) */

递归追踪(recursion trace)分析

检查每个递归实例，累计所需时间(调用语句本身，计入对应的子实例)，其总和即算法执行时间。

递归跟踪：仅适用于简明的递归模式
递推方程：更适用于复杂的递归模式

P32

最后一项是 T(0)-0

例：数组倒置

任给数组A[0, n]，将其前后颠倒
统一接口： void reverse(int *A, int lo, int hi);

/* 数组倒置 */

/* 1、递归版 */
if (lo < hi)  // 问题规模的奇偶性不变，需要两个递归基
{
	swap(A[lo], A[hi]);   reverse(A, lo + 1, hi - 1);
}
else  return;

/* 迭代原始法 */
next:
if (lo < hi) {
	swap(A[lo], A[hi]); lo++; hi--;  goto next;
}

/* 3、 迭代精简版 */
while (lo < hi)  swap(A[lo++], A[hi--]);

P34 分而治之

Divide - and - conquer
为求解一个大规模的问题，可以将其划分为若干子问题，规模大体相当，分别求取子问题，由子问题的解，得到原问题的解。

/* 数组求和： 二分递归*/
sum(int A[]. int lo, int hi) {//区间范围A[lo, hi]
	if (lo == hi)    return A[lo];
	int mi = (lo + hi) >> 1;
	return sum(A, lo, mi) + sum(A, mi + 1, hi);
}// 入口形式为sum(A, 0, n-1)

P36

例：最大的两个数

从数组区间A[lo, hi]中找出最大的两个整数A[x1]和A[x2]，且A[x1]≥A[x2]

/* 数组中 top 2元素*/
void max2(int A[], int lo, int hi, int& x1, int& x2) {
	for (x1 = lo, int i = lo + 1; i < hi; i++)
		if (A[x1] < A[i])   x1 = i;
	for (x2 = lo, int i = lo + 1; i < x1; i++)  /* 扫描 A[lo, x1]*/
		if (A[x2] < A[i])  x2 = i;
	for (int i = x1 + 1, i < hi; i++)   /* 扫描 A[x1, hi]*/
		if (A[x2] < A[i]) x2 = i;
}
/* T(n) = O(2n-3)*/

/* 改进:  维护两个指针 */
void max2(int A[], int lo, int hi, int& x1, int& x2) {
	if (A[x1 = lo] < A[x2 = lo + 1])   swap(x1, x2);
	for (int i = lo + 2; i < hi; i++)
		if (A[x2] < A[i])   // 先和x2比较
			if (A[x1] < A[x2 = i])
				swap(x1, x2);
}
/* 最好情况：  1 + (n-2) *1 = n-1
*  最坏情况：  1 + (n-2) * 2 = 2n-3
*/

P37 递归 + 分治

/*  Max2： 递归 + 分治 */
void max2(int A[], int lo, int hi, int& x1, int& x2) {
	if (lo + 2 == hi) { /*...*/;  return; }   
	if (lo + 3 == hi) {/*...*/; return; }
	int mi = (lo + hi) / 2;
	int x1L, x2L; max2(A, lo, mi, x1L, x2L);
	int x1R, x2R; max2(A, mi, hi, x1R, x2R);
	if (A[x1L] > A[x1R]) {
		x1 = x1L; x2 = (A[x2L] > A[x1R]) ? x2L : x1R;
	}
	else {
		x1 = x1R; x2 = (A[x1L] > A[x2R]) ? x1L : x2R;
	}
}

算法：迭代、递归
算法策略： Decrease- and - conquer、 divide-and-conquer.
分析： Recursion trace、 Recurrence

补充知识点(重要)：

递归基：是递归函数的一种平凡情况，只有递归基，递归才不会一直进行下去。

减而治之：

递归实例分别是： 1个规模为n的实例、1个规模为n-1的实例，1个规模为n-2的实例、…、共有n个

分而治之

递归实例分别是：1个规模为n的实例、2个规模为n/2的实例、4个规模为n/4的实例、…,共有 1 + 2 + 4 + 8 + … + n个。

P38

Make it work,
make it right,
make it fast.
—Kent Beck

前两个：用递归可以实现
fast用迭代。

int fib(n) { return (2 > n) ? n : fib(n - 1) + fib(n - 2); }
/*T(n) = O(2^n) */

P41
上楼梯类似
P42
1、记忆： memoization（把计算过实例的结果制表备查）
2、动态规划(自小而大，自底而上)： dynamic programming.

颠倒计算方向：由自顶向下递归，改为自底而上迭代。

f = 0; g = 1;   // fib(0), fib(1)
while (0 < n--) {
	g = g + f;
	f = g - f;
}
return g;

/* T(n) = O(n), 而且仅需O(1)空间 */

例：最长公共子序列

子序列(Subsequence)：由序列中若干字符，按原相对次序构成。
P44
递归 T(n) = O(n^2)

动态规划：T(n) = O(n*m)
1、将所有子问题(假想地)列成一个表
2、颠倒计算方向，从LCS(A[0], B[0])出发一次计算出所有项

P局限(学堂在线)

局限：缓存

不学诗，何以言；不学礼，何以立
He has given signs of himself which are visible to those who seek, and not to those who do not seek him.

P 循环移位

问题：仅用O(1)辅助空间，将数组A[0, n]中的元素向左循环移动k个单元。

void shift(int* A, int n, int k);

void shift0(int* A, int n, int k)//反复以1为间距循环左移
{
	while (k--)  shift(A, n, 0, 1);    
}// 共迭代k次， O(n*k)

int shift(int* A, int n, int s, int k) {
	int b = A[s]; int i = s, j = (s + k) % n; int mov = 0; //mov记录次数
	while (s != j) // 从A[s]出发，以k为间隔，依次左移k位
	{
		A[i] = A[j]; i = j; j = (j + k) % n; mov++;
	}
	A[i] = b; return mov + 1;    //最后，起始元素转入对应位置
}

/* 迭代版本 */
void shift1(int* A, int n, int k) {
	for (int s = 0, mov = 0; mov < n; s++)
		mov += shift(A, n, s, k);
}// 移动k个位置， 相隔k个元素成环转一圈

P 翻转

/* 倒置版 */
// 借助倒置函数，将数组循环左移K位
void shift2(int* A, int n, int k) {
	reverse(A, k);      // O(3k/2)
	reverse(A + k, n - k);   // O(3(n-k)/2)
	reverse(A, n);          // O(3n/2)
}// O(3n)

连续访问 Cache

数据访问次序尽量在附近

补充笔记：

1、Hailstone问题至今仍未得到证实，即至今没有人证明对所有的正整数，Hailstone(n)过程都可以终止。
2、图灵机是理想的计算模型，其纸带是两端无限延伸的无限长纸带。
3、减而治之：划分为一个平凡，一个规模缩减的两个子问题。

直接用定义以递归的方式计算fib(n)的时间复杂度是O(2^n)

第二章向量(Vector)

P48
线性序列(Sequence)：Vector + List
Abstract Data Type（ADT）

向量：
元素的类型不限于基本类型。

P50
有序向量：
search(a), 若存在，直接返回该元素的秩；若不存在，不大于元素a的元素中的最大值的秩。若是元素a小于全部的元素，返回-1。

/* Vector模板类 */
typedef int Rank;   // 秩
#define DEFAULT_CAPACITY 3    //默认初始容量
template<typename T> class Vector {//向量模板类
private:  Rank_size; int _capacity; T* _elem;   // 规模、容量、数据区
protected:
	/*  ... 内部函数 */
public:
	/* ... 构造函数*/
	Vector(int c = DEFAULT_CAPACITY) {
		_elem = new T[_capacity = c]; _size = 0;
	}// 默认
	Vector(T const* A, Rank lo, Rank hi)//数组区间复制
	{
		copyFrom(A, lo, hi);
	}
	Vector(Vector<T> const& V, Rank lo, Rank hi) //向量区间复制
	{
		copyFrom(V._elem, lo, hi);
	}
	Vector(Vector<T> const& V) {
		copyFrom(V._elem, 0, V._size);     //向量整体复制
	}

	/* ... 析构函数*/
	~Vector() { delete[] _elem; }   // 释放内部空间

	/* ... 只读接口*/
	/* ... 可写接口*/
	/* ... 遍历接口*/

};

/*********** 复制 *******************/
template <typename T> // T 为基本类型，或已重载赋值操作符

void Vector<T>::copyFrom(T* const A, Rank lo, Rank hi) {
	_elem = new T[_capacity = 2 * (hi - lo)];   //分配空间
	_size = 0;    //规模清零
	while (lo < hi)
		_elem[_size++] = A[lo++];    //复制至_elem[0, hi-lo]
}

P53 可扩充向量

静态空间管理
不足：

上溢(overflow)

下溢(underflow): 向量中元素很少。装填因子(_size/ _ capacity) << 50%

P54 动态空间管理
蝉：长大时，先蜕皮

template <typename T>
void Vector<T>::expand() {// 向量空间不足时扩容
	if (_size < _capacity) return;          //尚未满员， 不必扩容
	_capacity = max(_capacity, DEFAULT_CAPACITY);   //不低于最小容量
	T* oldElem = _elem; _elem = new T[_capacity <<= 1];  // 容量加倍
	for (int i = 0; i < _size; i++)// 复制原向量内容
		_elem[i] = oldElem[i];     //T为基本类型，或已重载赋值操作符'='
	delete[] oldElem;   //释放原空间
}
/* 向量封装了，不会出现野指针*/

P55
采用 “容量加倍”策略的原因：
其他策略，扩容次数过多，增加时间成本。

蓝色：递增；紫色‘：倍增(牺牲空间换取时间)

P57 分摊复杂度(amortized complexity)

P59

元素访问

V.get( r )

V.put(r, e)

A[r]

/* 重载下标操作符 "[ ]"*/
template <typename T> // 0 <= r <= _size
T& Vector<T>:: operator[](Rank r)  const { return _elem[r]; }

P60


/*  Vector    插入操作 */
template <typename T> // e作为秩为r元素插入， 0<= r <= size
Rank Vector<T>::insert(Rank r, T const& e) {
	expand();  // 若有必要，扩容
	for (int i = _size; i > r; i--)   // 自后向前
		_elem[i] = _elem[i - 1]    // 后继元素顺次向后移一个单元。
		_elem[r] = e; _size++;   // 置入新元素，更新容量
	return r;   // 返回秩
}

P61

/* Vector： 区间删除 */
template <typename T> // 删除区间[lo, hi), 0<= lo <= hi <= size
int Vector<T>::remove(Rank lo, Rank hi) {
	if (lo == hi)  return 0;     // 出于效率考虑，单独处理退化情况
	while (hi < _size)  _elem[lo++] = _elem[hi++];  // [hi, _size)顺次前移hi-lo位
	_size = lo; shrink();    // 更新规模，若有必要则缩容
	return hi - lo;
}

P62 单元素删除

/* 单元素删除 */
template  <typename T >// 删除向量中秩为r的元素， 0<= r <= size
T Vector<T>::remove(Rank r) {
	T e = _elem[r]; // 备份被删除的元素
	remove(r, r + 1);   // 调用区间删除法
	return e;     // 返回被删除元素
}

P63 查找

/*向量操作：  查找 */
template <typename T>
Rank Vector<T>::find(T const& e, Rank lo, Rank hi) const {
	while ((lo < hi--) && e != _elem[hi]);   // 逆向查找
	return hi;
}

输入敏感: 最好O(1), 最差O(n)

P64

/* Vector操作：去重 */
template <typename T>
int Vector<T>::deduplicate() {
	int oldSize = _size;
	Rank i = 1;
	while (i < _size)   // 自前向后逐一考查各元素_elem[i]
		(find(_elem[i], 0, i) < 0) ?// 在前缀中找雷同者
		i++
		: remove(i);
	return oldSize - _size;    //  删除元素总数
}
/* O(n^2)*/

优化思路：
1、仿照uniquify()高效版的思路，元素移动的次数可降至O(n),但比较次数依然是O(n^2)；而且，稳定性被破坏
2、先对需删除的重复元素做标记，然后再统一删除。稳定性保持，但因查找长度更长，从而导致更多的比对操作。
3、V.sort().uniquify(), O(nlogn)

P65

/* Vector操作：遍历 */
/* 方式一： 利用函数指针机制，只读或局部修改*/
template <typename T>
void Vector<T>::traverse(void (*visit)(T&))   //函数指针
{
	for (int i = 0; i < _size; i++)   visit(_elem[i]);
}

/* 方式二：利用函数对象机制，可全局修改 */
template <typename T>template <typename VST>
void Vector<T>::traverse(VST& visit)// 函数对象
{
	for (int i = 0; i < _size; i++) visit(_elem[i]);
}

/* 实现一个可使单个T类型元素加一的类 */
template <typename T>
struct Increase {// 函数对象: 通过重载操作符"（）"实现
	virtual void operator()(T& e) { e++; }
};

template <typename T> void increase(Vector<T>& V) {
	V.traverse(Increase<T>());   // 遍历向量
}

P66:

有序序列中，任意一对相邻元素顺序
无序序列中，总有一对相邻元素逆序

template <typename T>// 返回逆序相邻元素的总数
int Vector<T>::disordered()  const {
	int n = 0;
	for (int i = 1; i < _size; i++)   // 逐一检查各对相邻元素
		n += (_elem[i - 1] > _elem[i]);   // 逆序则计数
	return n;
}

P67 有序去重

每个区间只需保留单个元素即可

/*  Vector： 有序 + 去重 */
template <typename T> int Vector<T>::uniquify() {
	int oldSize = _size; int i = 0;
	while (i < _size - 1)// 从前往后走，逐一比对各相邻元素
		(_elem[i] == _elem[i + 1]) ? remove(i + 1):i++;  // 若雷同，则删除后者；否则转至后一元素
	return oldSize - _size;    // 删除元素总数
}
/* 效率低：O(n^2) */

P69

将删除元素作为整体，成批删除

/* 方法二： 有序 + 去重 */
template <typename T> int Vector<T>::uniquify() {
	Rank i = 0; j = 0;
	while (++j < _size) // 逐一扫描，直至末元素
		if (_elem[i] != _elem[j])
			_elem[++i] = _elem[j];
	_size = ++i; shrink();    // 直接截除尾部多余元素
	return j - i;  // 被删除元素总数
}
/* O（n） */

有序向量，二分查找

/* 统一接口 */
template <typename T>// 查找算法统一接口 0<= lo< hi<=_size
Rank Vector<T>::search(T const& e, Rank lo, Rank hi) const {
	return (rand() % 2) ?
		binSearch(_elem, e, lo, hi)   // 二分查找算法
		: fibSearch(_elem, e, lo, hi);   // Fibonacci查找算法
}

P73

template<typename T> // 在有序向量区间[lo, hi]内查找元素
static Rank binSearch(T* A, T const& e, Rank lo, Rank hi) {
	while (lo < hi) {
		Rank(mi = (lo + hi) >> 1);
		if (e < A[mi]) hi = mi;   // 小tips: 用小于号，与实际位置相同，便于理解
		else if (A[mi] < e)  lo = mi + 1;
		else   return mi;
	}
	return -1;    // 查找失败
}

P77

template <typename T>
static Rank fibSearch(T* A, T const& e, Rank lo, Rank hi) {
	Fib fib(hi - lo);
	while (lo < hi) {
		while (hi - lo < fib.get()) fib.prev();   
		Rank  mi = lo + fib.get() - 1;  // 按黄金比例分割
		if (e < A[mi]) hi = mi;
		else if (A[mi] < e)  lo = mi + 1;
		else    return mi;
	}
	return -1;
}

P83

template <typename T> static Rank binSearch(T* A, T const& e, Rank lo, Rank hi) {
	while (1 < hi - lo) {// 有效查找区间的宽度缩减至1时， 算法才会终止
		Rank mi = (lo + hi) >> 1;
		(e < A[mi]) ? hi = mi : lo = mi;  //[lo, mi)或[mi, hi)  /* mi包含在右边 区间*/
	}// 出口时hi = lo + 1, 查找区间仅含一个元素A[lo]
	return (e == A[lo]) ? lo : -1;    // 返回 命中元素  的秩或者-1
}

P84

/* 版本C */
template <typename T> static Rank binSearch(T* A, T const& e, Rank lo, Rank hi) {
	while (lo < hi) {// A[0, lo) <= e < A[hi, n)
		Rank mi = (lo + hi) >> 1;
		(e < A[mi]) ? hi = mi : lo = mi + 1;   // [lo,mi)或（mi, hi）
	}// 出口时，A[lo=hi]为大于e的最大元素
	return --lo;   // 故lo-1即不大于e的元素的最大秩
}

正确性：不变性 + 单调性

不变性： A[0,lo) <= e < A[hi,n)

P87: 有序，插值寻找

Interpolation Search

最坏情况: O(n), 不满足均匀独立分布
最好情况：稍试即中、初试即中。
平均情况：每经一次比较，n缩至n^0.5
P90
适用于查找区间极大，或者比较操作成本极高的情况。

可行方式：
首先通过插值查找，将查找范围缩小到一定的范围，然后再进行二分查找。

大规模：插值查找
中规模：折半查找
小规模：顺序查找

向量元素若有序排列，计算效率将大大提升

/* 排序器： 统一接口*/
template <typename T>
void Vector<T>::sort(Rank lo, Rank hi) {// 区间[lo,hi)
	switch (rand() % 5) {
	case 1: bubbleSort(lo, hi); break;   // 气泡排序
	case 2: selectionSort(lo, hi);   break;   // 选择排序
	case 3: mergeSort(lo, hi); break; // 归并排序
	case 4: heapSort(lo, hi);   break;   // 堆排序
	default: quickSort(lo, hi); break;   // 快速排序
	}
}

起泡排序

每一趟扫描交换，都记录下是否存在逆序元素。若存在，当且仅当做过交换。

template <typename T> void Vector<T>::bubbleSort(Rank lo, Rank hi)
{
	while (!bubble(lo, hi--));      // 逐趟扫描交换，直至全序
}

/* 改进 */
template <typename T> bool Vector<T>::bubble(Rank lo, Rank hi) {
	bool sorted = true;    // 整体有序标志
	while(++lo < hi)// 自左向右，逐一检查各对相邻元素
		if (_elem[lo - 1] > _elem[lo]) {//若逆序，则
			sorted = false;    //意味着尚未整体有序，并需要
			swap(_elem[lo - 1], _elem[lo]);   // 交换
		}
	return sorted;   
}

P94

/* 再改进 */
template <typename T> Rank Vector<T>::bubble(Rank lo, Rank hi) {
	Rank last= lo;    // 最右侧的逆序对初始化为[lo-1, lo]
	while(++lo < hi)// 自左向右，逐一检查各对相邻元素
		if (_elem[lo - 1] > _elem[lo]) {//若逆序，则
			last = lo;    //更新最右侧逆序对 位置记录，并
			swap(_elem[lo - 1], _elem[lo]);   // 交换
		}
	return last;// 返回最右侧的逆序对位置   
}
/* T(n) = O(n)  */

算法的稳定性

重复元素在输入、输出序列中的相对次序，是否保持不变。

起泡排序稳定
最坏 O(n^2)

P97 归并排序

template<typename T>
void Vector<T>::mergeSort(Rank lo, Rank hi) {// [lo, hi)
	if (hi - lo < 2)   return;    // 单元区间自然有序
	int mi = (lo + hi) >> 1;
	mergeSort(lo, mi);   // 对前半段排序
	mergeSort(mi, hi);   // 对后半段排序
	merge(lo, mi, hi);     // 归并
}

/* 二路归并  */
/* 将两个有序序列合并为一个有序序列：
* S[lo, hi) = S[lo, mi) + S[mi, hi)
*/

template<typename T> void Vector<T>::merge(Rank lo, Rank mi, Rank hi) {
	T* A = _elem + lo;   // 合并后的向量 A[0, hi-lo) = _elem[lo, hi)
	int lb = mi - lo; T* B = new T[lb];  // 前子量B[0, lb) = _elem[lo, mi)
	for (Rank i = 0; i < lb; B[i] = A[i++]);    // 复制前子向量B
	int lc = hi - mi; T* C = _elem + mi;    // 后子向量C[0, lc] = _elem[mi, hi)
	for (Rank i = 0, j = 0, k = 0; (j < lb) || (k < lc)) {// B[j]和C[k]中小者转至A的末尾
		if ((j < lb) && (lc <= k || (B[j] <= C[k]))) A[i++] = B[j++];   // C[k]已无或不小  
		if ((k < lc) && (lb <= j || (C[k] < B[j])))    A[i++] = C[k++];   // B[j]已无或更大
	}
	delete[] B;   // 释放临时空间B
}
/* 后半 元素 C 不需要新开 */
/* 短路求值： (lc <= k || (B[j] <= C[k]))*/

/* 改进： 若是B提前遍历完成，可以直接终止程序*/
for (Rank i = 0, j = 0, k = 0; j < lb) {
	if ((k < lc) && (C[k] < B[j]))   A[i++] = C[k++];
	if (lc <= k || (B[j] <= C[k]))   A[i++] = B[j++];
} // 交换循环体内两句的次序，删除冗余逻辑

P 位图(Bitmap) (学堂在线)

小集合 + 大数据
去重
筛选

P补充笔记

递归版的空间复杂度等于最大递归深度

2、分摊复杂度得到的结果比平均复杂度低(×)：分摊复杂度和平均复杂度的结果并没有必然联系。

3、disordered()算法的返回值是相邻逆序对个数。
4、如果(有序)向量中元素的分布满足独立均匀分布(排序前)，插值查找的平均时间复杂度为O(loglog(n))

第三章列表(list)

P103-P107

Don’t lose the link.
—Robin Milner

前驱： predecessor
后继： successor
首结点: first/front
末节点：last/rear

向量：循秩访问(call- by- rank)
列表：循位置访问(call- by- position)

/* 列表结点： ListNode模板类 */
#define Posi(T) ListNode<T>*  // 列表结点位置

template<typename T>
struct ListNode {// 列表结点模板类(以双向链表形式实现)
	T data;   // 数值
	Posi(T) pred;    // 前驱
	Posi(T) succ;    // 后继
	ListNode() {}   // 针对header和trailer的构造
	ListNode(T e, Posi(T) p = NULL, Posi(T) s = NULL)
		: data(e), pred(p), succ(s) {} // 默认构造器
	Posi(T)  insertAsPred(T const& e); // 前插入
	Posi(T) insertAsSucc(T const& e);  // 后插入
};

/* 列表： List模板类*/
#include "listNode.h"   // 引入列表结点类

template<typename T> class List {// 列表模板类
private: int _size;  // 规模
	   Posi(T)  header;  Posi(T)  trailer;  // 头、尾哨兵
protected:/* ...内部函数*/
public:      /* ...构造函数、析构函数、只读接口、可写接口、遍历接口*/
};

头、首、末、尾结点的秩可分别理解为-1， 0， n-1， n

/* 构造 */

template <typename T> void List<T>::init() {// 初始化，创建列表对象时统一调用
	header = new ListNode<T>;   // 创建头 哨兵结点
	trailer = new ListNode<T>;  // 创建尾哨兵结点
	header->succ = trailer;  header-> pred = NULL:  
	trailer->pred = header;  trailer->succ = NULL;   // 互联
	_size = 0;   // 规模
}

-P111 无序列表

P107 循秩访问列表
重载下标操作符

template <typename T>
T List<T>::operator[](Rank r) const {
	Posi(T) p = first();
	while (0 < r--) p = p->succ;    // 顺数第r个结点即是】
	return p->data;  // 目标结点
}// 任一结点的秩， 亦即其前驱的总数

P108 查找

/* 在结点p(可能是trailer)的n个(真)前驱中，找到等于e的最后者*/

template<typename T>// 从外部调用时， 0<= n <= rank(p) < _size
Posi(T) List<T>::find(T const& e, int n, Posi(T) p) const {//顺序查找
	while (0 < n--) // 从右向左，逐个将p的前驱与e比对
		if (e == (p = p->pred)->data)  return p;    // 直至命中 或 范围越界

	return NULL;  
}

P109

/* 插入 */
template<typename T> Posi(T) List<T>::insertBefore(Posi(T) p, T const& e)
{
	_size++; return p->insertAsPred(e);   // e 当作p的前驱插入
}

template<typename T> // 前插入算法
Posi(T) ListNode<T>::insertAsPred(T const& e) {
	Posi(T) x = new ListNode(e, pred, this);
	pred->succ = x; pred = x; return x;   // 建立链接， 返回新结点的位置
}

/* 基于复制的构造 */
template <typename T> // 基本接口
void List<T>::copyNodes(Posi(T) p, int n) {
	init();   // 创建头、尾哨兵结点并做初始化
	while (n--) // 将起自p的n项依次作为末节点插入
	{
		insertAsLast(p->data); p = p->succ;
	}
} 

/* insertBefore(trailer)*/

P110 删除

/* 删除 */
template <typename T>
T List<T>::remove(Posi(T) p) { // O(1)
	T e = p->data;   // 备份待删除结点数值，用于返回
	p->pred->succ = p->succ;
	p->succ->pred = p->pred; 
	delete p; _size--; return e;   // 返回备份数值
}

/*  删除列表 */

// 析构
template <typename T> List<T>::~List()  // 列表析构
{
	clear(); delete header; delete trailer;  // 清空列表， 释放头、尾哨兵结点
}

template<typename T> int List::clear() {// 清空列表
	int oldSize = _size;
	where(0 < _size)// 反复删除首结点， 直至列表变空
		remove(header->succ);
	return oldSize;
}// O(n), 线性正比于列表规模

P111 去重(唯一化)

/* 唯一化 */
template <typename T> int List<T>::deduplicate() {// 删除无序列表中的重复结点
	if (_size < 2) return 0; 
	int oldSize = _size;
	Posi(T) p = first(); Rank r = 1;  // p从首结点开始
	while (trailer != (p = p->succ)) {//
		Posi(T) q = find(p->data, r, p); // 在p的前r个(真)前驱中，查找与之雷同者
		q ? remove(q): r++;   // 若的确存在，则删除之，否则秩递增
	}
	return oldSize - _size; // 删除元素总数
}

-P114 有序列表
P112

/*  有序列表： 唯一化*/
template<typename T>int List<T>::uniquify() {// 成批剔除重复元素
	if (_size < 2)    return 0;     
	int oldSize = _size;   //记录原规模
	ListNodePosi(T) p = first();  ListNodePosi(T) q;    // p为各区段起点，q为其后继
	while (trailer != (q = p->succ))  // 反复考查紧邻的结点对(p, q)
		if (p->data != q->data)  p = q;   // 若互异，则转向下一区段
		else   remove(q);     // 否则， 删除后者
	return oldSize - _size;   // 被删除元素总数
}//  只需遍历整个列表一趟， O(n)

P114

/*  有序列表： 查找 */
template <typename T> // 在有序列表内结点p的n个(真)前驱中，找到不大于e的最后者
Posi(T) List<T>::search(T const& e, int n, Posi(T) p) const {
	while (0 <= n--)  // 对于p的最近的n个前驱，从右到左
		if (((p = p->pred)->data) <= e)   break;   //逐个比较
	return  p;   // 直至命中、 数值越界 或 范围越界后， 返回查找终止的位置
}// 最好O(1), 最坏O(n)

RAM : 循秩访问
图灵机™：call-by-position

列表排序算法
-P120 选择排序

选择最大的
Bubblesort也是类似思想，扫描交换，实质也是找最大的。最差O(n^2)

/* 对列表中起始于位置p的连续n个元素做选择排序， valid(p) && rank(p) + n <= size*/
template <typename T> void List<T>::selectionSort(Posi(T) p, int n) {
	Posi(T) head = p->pred; Posi(T)  tail = p;   // 待排序区间(head, tail)
	for (int i = 0; i < n; i++)  tail = tail->succ;  // head/tail可能是头/尾哨兵
	while (1 < n) { // 反复从待排序区间找出最大者，并移至有序区间前端
		insertBefore(tail, remove(selectMax(head->succ, n)));
		tail = tail->pred; n--;   // 待排序区间、有序区间的范围，均同步更新
	}
}

new、delete是实际的100倍，应尽量避免使用

改进思路：当元素为最后一个元素前驱时，可以不必进行移动操作。但实际上，此种情况出现概率极低，这样的改进得不偿失。

template<typename T>  // 从起始于位置p的n个元素中选出最大者， 1< n
Posi(T) List<T>::seletMax(Posi(T) p, int n) {
	Posi(T) max = p;   // 最大值暂定为 p
	for (Posi(T) cur = p; 1 < n; n--)// 后续结点逐一与max比较
		if (!lt((cur = cur->succ)->data, max->data))   // 若 >= max  /* !lt:   not less than 。比较器*/
			max = cur;    //  更新最大元素 位置记录  /* 取等号是为了有重复元素时，取更靠后的那个*/ 
	return max;     // 返回最大结点位置
}

改进的地方：元素移动次数远远少于起泡排序

-P128 插入排序

1、有序序列的查找
2、有序序列的插入

/* 对列表中起始于位置p的连续n个元素做插入排序， valid(p) && rank(p) + n <= size*/
template<typename T> void List<T>::insertionSort(Posi(T) p, int n) {
	for (int r = 0; r < n; r++) {// 逐一引入各结点，由Sr得到S(r+1)
		insertAfter(search(p->data, r, p), p->data);  // 查找 + 插入
		p = p->succ;   remove(p->pred);      // 转向下一结点
	}// n次迭代， 每次O(r+1)
}  // 仅使用O(1)辅助空间,属于就地算法(in place)

最好情况：一次比较，0次交换， O(n)
最坏情况：每次插入的都是比排好的小， O(n^2)

选择排序，最好和最坏都是 O(n^2)

P127
插入排序平均时间复杂度为O(n^2), 意味着虽然最好情况是O(n)，但这种情况出现的概率极低。

P128 逆序对

输入敏感：插入排序、希尔排序

P129 习题： LightHouse
分而治之
计算逆序对数

补充笔记

1、对于双向列表，直接访问p->pred即可定位其直接前驱，只需O(1)的时间。对于单向列表，定位其直接前驱需要从首结点开始逐一访问各结点，最坏情况下需要遍历整个列表，故花费O(n)的时间。

2、长度为n的列表，被等分为n/k段，每段长度为k, 不同段之间的元素不存在逆序，对该列表进行插入排序的最坏时间复杂度为： O(nk)

第四章栈与队列

P130

A 栈ADT及实现

-P132
栈：堆叠的椅子或盘子

左侧栈顶
LIFO：后进先出
栈为序列的特例，可直接基于向量或列表派生

template<typename T> class Stack : public Vector<T> {//由向量派生
public:  // size()、empty()以及其它开放接口均可直接沿用
	void push(T const& e) { insert(size(), e);  }// 入栈
	T pop() { return remove(size() - 1);  }// 出栈
	T& top() { return (*this)[size() - 1];  }// 取顶
};// 以向量首/末端为 栈底/顶

C 进制转换

-P159

/* 进制转换 */
void convert(Stack<char>& S, __int64 n, int base) {
	static char digit[] = //新进制下的数位符号，可视base取值范围适当填充
	{ '0','1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F' };
	while (n > 0) {// 由低到高，逐一计算出新进制下的各数位
		S.push(digit[n % base]);   // 余数 入栈
		n /= base;    // n更新为其对base的除商
	}
}

main() {
	Stack<char> S; convert(S, n, base);   // 用栈记录转换得到的各数位
	while (!S.empty())  printf("%c", S.pop());   //逆序输出
}

D 括号匹配

-P141

消去一对紧邻的左右括号

思路：
顺序扫描表达式，用栈记录已扫描的部分

反复迭代：凡遇(, 则进栈；凡遇）,则出栈

/* 括号匹配 */
bool paren(const char exp[], int lo, int hi) {// exp[lo, hi)
	Stack<char> S;   // 使用栈记录已发现但尚未匹配的左括号
	for (int i = lo; i < hi; i++)// 逐一检查当前字符
		if ('(' == exp[i])    S.push(exp[i]);    // 遇左括号： 进栈
		else if (!S.empty())  S.pop();    // 遇右括号： 若 栈非空，则弹出左括号
		else  return false;     // 遇右括号时栈 已空，必不匹配

	return S.empty();    // 
}

为什么不用计数器？ 为了可以便捷地推广至多种括号并存的情况。

E 栈混洗(Stack permutation)

-P146

包含元素的栈A，过渡栈B，存储结果的栈B

不同的pop()和push()组合会得到不同的结果

栈混洗非法的情况：
每次S.pop()之前， S为空；或者需弹出的元素在S中，却非顶元素

栈混洗数

F中缀表达式

-P155
栈 + 线性扫描

/* 运算表达式 计算 */
float evaluate(char* S, char* RPN) {// 中缀表达式求值
	Stack<float> opnd, Stack<char> optr;  // 运算数 栈、 运算符栈
	optr.push('\0');    // 尾哨兵'\0'也作为头哨兵首先入栈
	while (!optr.empty()) {// 逐个处理各字符，直至运算符栈空
		if (isdigit(*S)) // 若当前字符为操作数，则
			readNumber(S, opnd);   // 读入(可能多位的)操作数
		else // 若当前字符为运算符，则视其与栈顶运算符之间优先级的高低
			switch (orderBetween(optr.top(), *S)) { /* 分别处理 */
			}
	}// while
	return opnd.pop();    // 弹出并返回最后的计算结果
}

/* 实现优先级表 */
const char pri[N_OPTR][N_OPTR]{// 运算符优先等级
};

switch (orderBetween(optr.top(), *S)) {
case '<':  // 栈顶优先级更低
	optr.push(*S); S++; break;  // 计算推迟，当前运算符进栈
case '=':     // 优先级相等（当前运算符为右括号，或尾部哨兵'\0'）
	optr.pop(); S++; break;      // 脱括号并接收下一个字符
case '>': { // 栈顶运算符优先级更高，实施相应的计算，结果入栈
	char op = optr.pop();    // 栈顶运算符出栈，执行对应的运算
	if ('!' == op)   opnd.push(calcu(op, opnd.pop()));   // 一元计算
	else { float p0pnd2 = opnd.pop(), p0pnd1 = opnd.pop()；  // 二元运算符
	opnd.push(calcu(p0pnd1, op, p0pnd2));   // 实施计算，结果入栈
	}
	break;
}

}

P152 - P155 上述代码的运行实例

G 逆波兰表达式(RPN: Reverse Polish Notation)

-P159
哪个运算符先出现，就先计算

如欲取之，必先予之

infix(中缀)到postfix(前缀):

1、用括号显示地表示优先级
2、将运算符号移到对应的右括号后
3、抹去所有括号


/* infix到postfix: 转换算法*/
float evaluate(char* S, char*& RPN) {// RPN转换
	while (!optr.empty()) {//逐个处理各字符，直至运算符栈 空
		if (isdigit(*S)) // 若当前字符为操作数
		{ readNumber(S, opnd); append(RPN, opnd.top()); }  // 接入RPN
		else// 若当前字符为运算符
			switch (orderBetween(optr.top(), *S)) {
			case '>': {
				char op = optr.pop(); append(RPN, op);  //接入RPN
			}
			}
	}
}

队列ADT及实现

羽毛球桶，排队

一端出，一端入
受限：

尾(rear)插入: enqueue() + rear()
头(front)删除: dequeue() + front()

FIFO：先进先出

与栈对称
右侧为队头
队列属于序列的特例，可基于向量或列表派生

/* 队列 */
template <typename T>class Queue : public List<T> {//由列表派生的队列模板类
public: // size()与empty()直接沿用
	void enqueue(T const& e) { insertAsLast(e);  }// 入队
	T dequeue() { return remove(first()); }  // 出队
	T& front() { return first()->data;  }   // 队首
};  // 以列表首/末端为队列头/尾

补充笔记：

习题：

选D ？？？

习题2：

选A。？？？

第五章二叉树

A 树

-P169

树：列表的列表。半线性

层次关系

vertex 、 edge
树是特殊的图T= (V, E), 节点数|V| = n, 边数|E| = e

孩子(child)
兄弟(sibling)
父亲(parent)
度(degree)

P167:
通路
路径长度：边数

连通图(connected)
无环图(acyclic)

空树的高度取为 -1

B 树的表示

P170

C 二叉树

P175

D 二叉树实现

P178

/* BinNode 模板类 */

#define BinNodePosi(T) BinNode<T>*  // 结点位置

template <typename T> struct BinNode {
	BinNodePosi(T)  parent, lChild, rChild;  // 父亲、孩子
	T data; int height; int size();   // 高度、子树规模
	BinNodePosi(T) insertAsLC(T const &);   // 作为左孩子插入新结点
	BinNodePosi(T)  insertAsRC(T const&);   // 作为右孩子插入新结点
	BinNodePosi(T)  succ();    //(中序遍历意义下)当前结点的直接后继
	template <typename  VST > void travLevel(VST &);  // 子树层次遍历
	template <typename  VST > void travPre(VST &);    // 子树先序遍历
	template <typename VST > void travIn(VST &);   // 子树中序遍历
	template <typename VST > void travPost(VST&);   // 子树后序遍历
};

/* BinNode 接口实现 */

template <typename T > BinNodePosi(T) BinNode<T>::insertAsLC(T const& e)
{
	return lChild = new BinNode(e, this);
}// O(1)

template <typename T> BinNodePosi(T) BinNode<T>::insertAsRC(T const& e)
{
	return rChild = new BinNode(e, this); 
}  // O(1)

template <typename T>
int BinNode<T>::size() { // 后代总数， 亦即以其为根的子树的规模
	int s = 1;   // 计入本身
	if (lChild)  s += lChild->size();   // 递归计入左子树规模
	if (rChild)  s += rChild->size();   // 递归计入右子树规模

	return s;
}// O(n)

/* BinTree 模板类 */

template <typename T> class BinTree {
protected:
	int _size;   // 规模
	BinNodePosi(T) _root;  // 根结点
	virtual int updateHeight(BinNodePosi(T) x);   // 更新结点x的高度
	void updateHeightAbove(BinNodePosi(T) x);    // 更新x 及祖先的高度

public:
	int size() const { return _size;  }   // 规模
	bool empty() const { return !_root;   } // 判空
	BinNodePosi(T)  root() const { return _root;   }// 树根
	/* ... 子树接口、删除和分离接口...*/
	/* ... 遍历接口...*/
};

/* 高度更新 */

# define stature(p) ((p)? (p)->height:-1)  // 结点高度---约定空树高度为-1

template <typename T> // 更新结点x高度， 具体规则因树不同而异
int BinTree<T>::updateHeight(BinNodePosi(T) x) {
	return x->Height = 1 +
		max(stature(x->lChild), stature(x->rChild));
}// 此处采用常规二叉树规则， O(1)

template <typename T> // 更新v及其历代祖先的高度
void BinTree<T>::updateHeightAbove(BinNodePosi(T) x) {
	while (x)  // 可优化：一旦高度围边，即可终止
	{
		updateHeight(x);   x = x->parent;
	}
}// O(n = depth(x))

/* 结点插入 */

template <typename T> BinNodePosi(T)
BinTree<T>::insertAsRC(BinNodePosi(T) x, T const& e) {// insertAsLC对称
	_size++;  x->insertAsRC(e);   // 祖先的高度可能增加，其余结点必然不变
	updateHeightAbove(x);   
	return x->rChild;
}

E先序遍历

P183

/* 先序遍历 _递归*/
template <typename T, typename VST>
void traverse(BinNodePosi(T) x, VST& visit) {
	if (!x) return;
	visit(x->data);
	traverse(x->lChild, visit);
	traverse(x->rChild, visit);
}// T(n) = O(n)

/* 先序遍历 _迭代1*/
template <typename T, typename VST>
void travPre_I1(BinNodePosi(T) x, VST& visit) {
	Stack <BinNodePosi(T)> S;   // 辅助栈
	if (x) S.push(x);   // 根结点入栈
	while (!S.empty()) {// 在栈变空之前反复循环
		x = S.pop(); visit(x->data);   // 弹出并访问当前结点
		if (HasRChild(*x))  S.push(x->rChild);   // 右孩子   先入后出
		if (HasLChild(*x))  S.push(x->lChild);   //左孩子    后入先出
	}
}

/* 先序遍历 _迭代2*/
template <typename T, typename VST>// 分摊O(1)
static void visitAlongLeftBranch(
	BinNodePosi(T) x,
	VST& visit,
	Stack <BinNodePosi(T)>& S) {
	while (x) {// 反复地
		visit(x->data);   // 访问当前结点
		S.push(x->rChild);  // 右孩子(右子树)入栈(将来逆序出栈)
		x = x->lChild;  // 沿左侧链下行
	}
}

/* 主算法 */
void travPre_I2(BinNodePosi(T) x, VST& visit) {
	Stack <BinNodePosi(T)> S; // 辅助栈
	while (true) {//以(右)子树为单位，逐批访问结点
		visitAlongLeftBranch(x, visit, S); // 访问子树x的左侧链，右子树入栈缓冲
		if (S.empty()) break;   // 栈空即退出
		x = S.pop();    // 弹出下一子树的根
	}
}

先序遍历的顺序是：先自上而下访问左侧链上的结点，再自下而*问它们的右子树。

F 中序遍历(inorder traversal)

P192

/* 中序遍历_递归*/
template <typename T, typename VST>
void traverse(BinNodePosi(T) x, VST& visit) {
	if (!x) return;
	traverse(x->lChild, visit);
	visit(x->data);
	traverse(x->rChild, visit);
}

/* 中序遍历_迭代 */

/* 从根结点开始 谦让控制权 左侧链  直到某个结点无左结点（开始访问的点）*/
/* 访问左侧链结点---> 遍历右子树  (自下而上)*/

template <typename T>
static void goAlongLeftBranch(BinNodePosi(T) x, Stack <BinNodePosi(T)>& S)
{
	while (x) { S.push(x); x = x->lChild;  }
}// 反复的入栈，沿左分支深入
template <typename T, typename V> void  travIn_I1(BinNodePosi(T) x, V& visit) {
	Stack <BinNodePosi(T)> S;   // 辅助栈
	while (true) {// 反复地
		goAlongLeftBranch(x, S);   // 从当前结点出发，逐批入栈
		if (S.empty()) break;   // 直至所有结点处理完毕
		x = S.pop();    // x 的左子树或为空，或已遍历(等效于空)，故可以
		visit(x->data);    // 访问
		x = x->rChild;   // 再转向其右子树
	}
}

T= O(n)

G 后序遍历（学堂在线）

/* 后序遍历_递归*/
template <typename T, typename VST>
void traverse(BinNodePosi<T> x, VST& visit) {
	if (!x)  return;
	traverse(x->lc, visit);
	traverse(x->rc, visit);
	visit( x-> data)
}

/* 后序遍历 _ 迭代*/
template <typename T> static void gotoLeftmostLeaf(Stack <BinNodePosi<T>>& S) {
	while( BinNodePosi<T> x = S.top() )  // 自顶而下反复检查栈顶结点
		if (HasLChild(*x)) {// 尽可能向左
			if (HasRChild(*x)) // 若有右孩子，则
				S.push(x->rc);    // 优先入栈
			S.push(x->lc);    // 然后转向左孩子
		}
		else   // 实不得已
			S.push(x->rc);   // 才转向右孩子
	S.pop();    // 返回之前，弹出栈顶的空结点
}

template <typename T, typename VST>
void travPost_I(BinNodePosi<T> x, VST& visit) {
	Stack <BinNodePosi<T>> S;   // 辅助栈
	if (x) S.push(x);  // 根结点首先入栈
	while (!S.empty()) {// x始终为当前结点
		if (S.top() != x->parent)  // 若栈顶非x之父(而为右兄)
			gotoLeftmostLeaf(S);   // 则在其右兄子树中找到最靠左的叶子(递归)
		x = S.pop();   // 弹出栈顶(即前一结点之后继)以更新x
		visit(x->data);   // 随即访问之
	}
}

H 层次遍历

P199

/* 层次遍历 */
template <typename T> template <typename VST>
void BinNode<T>::travLevel(VST& visit) {// 二叉树层次遍历
	Queue<BinNodePosi(T)> Q;   // 引入辅助队列
	Q.enqueue(this);  // 根结点入队
	while (!Q.empty()) {// 在队列再次变空之前，反复迭代
		BinNodePosi(T) x = Q.dequeue();   // 取出队首结点，并随即
		visit(x->data);  // 访问之
		if (HasLChild(*x))  Q.enqueue(x->lChild);  //左孩子入队
		if (HasRChild(*x))  Q.enqueue(x->rChild);   // 右孩子入队
	}
}

队列：先进先出

突然不卡了，开始在学堂在线看

I 重构

P202
[先序| 后序] + 中序
若没有中序，无法重构，因为左子树和右子树有可能是空的

J Huffman 树

编码表： protocol
Prefix- Free Code
避免深度差过大
词频差异大：
收益= 高度差 × 频率差

优化编码策略：

频率高的尽可能放在高处，频率低的尽可能放在低处（长）

补充笔记：

1、高度为h的完全二叉树结点范围： [2^(h-1)+1
2^(h+1)-1]
2、每上溯一层，深度减小1，但高度的增加可能大于1，因为结点的高度右其左、右子树中较高者决定。
3、后序遍历：从根结点开始，对于中途每个结点，能往左就往左，不能往左就往右，若左右都无路可走，则该结点是后序遍历中第一个被访问的结点。
4、设二叉树有n个结点，高度为h,在其中插入一个新的结点，高度发生改变的结点个数为O(h)。
新插入结点到根结点的路径上所有结点(即新结点的祖先)高度都有可能变化。

第六章图

A

术语(Terminology)、实现(Implementation)、算法(Algorithm)

无向边: undirected edge
无向图： undigraph
有向图：digraph
有向边： directed edge
（u，v）：尾(tail, u)，头(head)

路径：由一系列的顶点，按照依次邻接的关系，构成的一个序列

简单路径：不含重复结点的路径

有向无环图(DAG, directed acyclic graph)
欧拉环路：经过所有的边一次，而且恰好一次
哈密顿环路：经过每一个顶点一次，且恰好一次

B 邻接矩阵

/* Graph 模板类*/
template <typename Tv, typename Te> class Graph {//顶点类型，边类型
private:
	void reset() {//所有顶点、边的辅助信息复位
		for (int i = 0; i < n; i++) {// 顶点
			status(i) = UNDISCOVERED; dTime(i) = fTime(i) = -1;
			parent(i) = -1; priority(i) = INT_MAX;
			for (int j = 0; j < n; j++)// 边
				if (exists(i, j))  status(i, j) = UNDETERMINED;
		}
	}
public:   /* ... 顶点操作、边操作、图算法*/
};

无向图 + 邻接矩阵：冗余

/* Vertex */
typedef enum { UNDISCOVERED, DISCOVERED, VISITED}VStatus;

template <typename Tv> struct Vertex {// 顶点对象
	Tv data; int inDegree, outDegree; // 数据、出入度数

	// 用于 图遍历
	VStatus status;  // （如上三种）状态
	int dTime, fTime; // 时间标签
	int parent;   // 在遍历树中的父结点
	int priority;  // 在遍历树中的优先级(最短通路、极短跨边等)

	Vertex(Tv const& d) :  // 构造新顶点
		data(d), inDegree(0), outDegree(0), status(UNDISCOVERED),
		dTime(-1), fTime(-1), parent(-1),
		priority(INT_MAX) {}
};

/* Edge */
typedef enum { UNDETERMINED, TREE,CROSS, FORWARD, BACKWARD}EStatus;

template <typename Te> struct Edge {// 边对象
	Te data;   // 数据
	int weight;  // 权重
	EStatus status;   // 类型
	Edge(Te const& d, int w) :  // 构造新边
		data(d), weight(w), status(UNDETERMINED) {}
};

/* GraphMatrix*/
template <typename Tv, typename Te>class GraphMatrix :public Graph<Tv, Te> {
private:
	Vector< Vertex<Tv> > V;  // 顶点集
	Vector< Vector< Edge<Te>* >> E;  // 边集
public:
	/* 操作接口： 顶点相关、边相关....*/
	GraphMatrix() { n = e = 0; }// 构造
	~GraphMatrix() {// 析构
		for (int j = 0; j < n; j++)
			for (int k = 0; k < n; k++)
				delete E[i][j];  // 清除所有动态申请的边记录。
	}
};

/* 顶点操作 */
// 对于任意顶点i, 枚举其所有的邻接顶点neighbor
int nextNbr(int i, int j) {// 若已枚举至邻居j，则转向下一邻居
	while ((-1 < j) && !exists(i, --j));  // 逆向顺序查找，O(n)
	return j;
}// 改用邻接表 可提高至 O( 1 + outDegree(i))

int firstNbr(int i) {
	return nextNbr(i, n);  // n: 假想哨兵
}// 首个邻居

P214 边操作

/* 边操作 */

bool exists(int i, int j) {// 判断边(i, j)是否存在
	return (0 <= i) && (i < n) && (0 <= j) && (j < n)   // i, j合法性比较
		&& E[i][j] != NULL;  // 短路求值
}

/* 边插入 */
void insert(Te const& edge, int w, int i, int j) {// 插入(i, j, w)
	if (exists(i, j)) return;   // 忽略已有的边
	E[i][j] = new Edge<Te>(edge, w);  // 创建新边
	e++;   // 更新边计数
	V[i].outDegree++;   // 更新关联顶点i的出度
	V[j].inDegree++;  // 更新关联顶点j的入度
}

/* 边删除 */
Te remove(int i, int j) {// 删除顶点i和j之间的联边(exists(i, j) ) 
	Te eBak = edge(i, j);   // 备份边(i, j)的信息
	delete E[i][j]; E[i][j] = NULL;  // 删除边(i,  j)

	e--;   // 更新边计数
	V[i].outDegree--; // 更新关联顶点i的出度
	V[j].inDegree--;   // 更新关联顶点j的入度
	return eBak;   //返回被删除边的信息
}

/* 引入新顶点 */
int insert(Tv const& vertex) {// 插入顶点，返回编号
	for (int j = 0; j < n; j++)
		E[j].insert(NULL); n++;
	E.insert( Vector< Edge<Te>*>(n, n, NULL) );
	return V.insert(Vertex<Tv>(vertex));
}

/* 顶点删除 */
Tv remove(int i) {// 删除顶点及其关联边，返回该顶点信息
	for(int j=0; j<n; j++)
		if (exists(i, j))// 删除所有出边
		{
			delete E[i][j]; V[j].inDegree--;
		}
	E.remove(i); n--;  // 删除第i行
	for(int j=0; j<n; j++)
		if (exists(j, i))// 删除所有入边及第i列
		{
			delete E[j].remove(i); V[j].outDegree--;
		}
	Tv vBak = vertex(i);  // 备份顶点i的信息
	V.remove(i);   // 删除顶点i
	return vBak;  // 返回被删除顶点的信息
}

平面图(planar graph)
满足： v - e + f - c = 1
平面图： e ≤ 3n-6

D 广度优先搜索(Breath-First-Search)

P217

化繁为简

Spanning Tree
树的层次遍历

/* Graph： BFS()广度优先搜索*//* Breath-First-Search*/
template <typename Tv, typename Te>// 顶点类型、边型
void Graph<Tv, Te>::BFS(int v, int& clock) {
	Queue<int> Q; status(v) = DISCOVERED; Q.enqueue(v);  //初始化
	while ( !Q.empty() ) {// 反复地
		int v = Q.dequeue();
		dTime(v) = ++clock; // 取出队首顶点v, 并
		for (int u = firstNbr(v); -1 < u; u = nextNbr(v, u))//考查v的每一邻居u
			/* ... 视u的状态，分别处理... */
			status(v) = VISITED;   // 至此，当前顶点访问完毕
	}
}

/* Graph： BFS()广度优先搜索*//* Breath-First-Search*/
template <typename Tv, typename Te>// 顶点类型、边型
void Graph<Tv, Te>::BFS(int v, int& clock) {
	Queue<int> Q; status(v) = DISCOVERED; Q.enqueue(v);  //初始化
	while ( !Q.empty() ) {// 反复地
		int v = Q.dequeue();
		dTime(v) = ++clock; // 取出队首顶点v, 并
		for (int u = firstNbr(v); -1 < u; u = nextNbr(v, u))//考查v的每一邻居u
			/* ... 视u的状态，分别处理... */
			status(v) = VISITED;   // 至此，当前顶点访问完毕
	}
}

///
while (!Q.empty()) {// 反复地
	int v = Q.dequeue();  dTime(v) = ++clock;   // 取出队首顶点v，并
	for( int u= firstNbr(v); -1 <u; u=nextNbr(v, u) )// 考查v的每一邻居u
		if (UNDISCOVERED == status(u)) {// 若u尚未被发现，则
			status(u) = DISCOVERED; Q.enqueue(u);   // 发现该顶点
			status(v, u) = TREE;  parent(u) = v;  // 引入树边
		}
		else// 若u已被发现(正在队列中)， 或者甚至已访问完毕（已出队列），则
			status(v, u) = CROSS;   // 将(v, u)归类于跨边
	status(v) = VISITED;   // 至此，当前顶点访问完毕
}

连续、规则、紧凑的组织形式利于高速缓冲机制发挥作用。

P222 多连通

/* 多连通 */
/* Graph::bfs() */
template <typename Tv, typename Te>// 顶点类型、边类型
void Graph<Tv, Te>::bfs(int s) {// s为起始点
	reset(); int clock = 0; int v = s;   // 初始化
	do // 逐一检查所有顶点，一旦遇到尚未发现的顶点
		if (UNDISCOVERED == status(v))  // 
			BFS(v, clock);   // 即从该顶点出发启动一次BFS
	while (s != (v = (++v % n)));
	// 按序号访问，故不漏不重
}

P224 最短路径

E 深度优先搜索(Depth- First Search)

P225

支撑树

/* Graph:: DFS() */ /* Depth-First Search , 深度优先搜索 */

template Graph<Tv, Te>::DFS(int v, int & clock) {
	dTime(v) = ++clock; status(v) = DISCOVERED;   // 发现当前顶点v
	for (int u = firstNbr(v); -1 < u; u = nextNbr(v, u))  // 枚举v的每一邻居u
		/* ... 视u的状态，分别处理... */
		/* ... 与BFS不同， 含有递归... */
		status(v) = VISITED; fTime(v) = ++clock;  // 至此，当前顶点v方向访问完毕
}

/*****************/
for( int u = FirstNbr(v); -1< u; u = nextNbr(v, u))  // 枚举v的所有邻居
	switch (status(u)) { // 并视其状态分别处理
	case UNDISCOVERED: // u尚未发现， 意味着支撑树可在此扩展
		status(v, u) = TREE; parent(u) = v; DFS(u, clock); break;   // 递归
	case DISCOVERED: // u已被发现但尚未访问完毕，应属被后代指向的祖先
		status(v, u) = BACKWARD; break;
	default: // u已被访问完毕(VISITED, 有向图)，则视承袭关系分为前向边或跨边
		status(v, u) = dTime(v) < dTime(u) ? FORWARD : CROSS; break;
	}

回溯 back-track

P229 有向图
边分类
P231 括号原理/ 嵌套原理
补充笔记:
1、TREE边的数量总是等于顶点数减去连通分量的数量。
2、对图进行DFS, 有BACKWARD边意味着该图包含环路。

学堂在线：

F1 拓扑排序之零入度算法

拓扑排序：
任给一个有向图（不一定是有向无环图(DAG))，尝试将所有顶点排成一个线性序列，使其次序须与原图相容

任何有向无环图中，必有一个零入度的点。

/* 拓扑排序： 顺序输出零入度顶点 */
// 将所有入度为零的顶点存入栈S, 取空队列Q

while (!S.empty()) {
	Q.enqueue(v = S.pop());   // 栈顶v转入队列
	for each edge(v, u)// v的邻接顶点，若入度仅为1
		if (u.inDegree < 2)   S.push(u);   // 则入栈

	G = G\ { v };  // 删除v及其关联边(邻接顶点入度减1)
}

return | G | ? "NOT A DAG" : (? );   // 仅当原图可拓扑排序

F2 拓扑排序之零出度算法

Begin with the end in mind.（以终为始）

真正的农夫犯不着焦灼不安…每天完成自己的劳动，并不要求所有的产品都归他所有，他所奉献出的不仅是他的第一个果实，还有他的最后一颗果子。
----选自《瓦尔登湖》

补充笔记

1、含n个顶点的简单无向图中，边的数量最多为: （n-1）×n/2
2、无向图的边数等于各顶点度数之和的一半。
3、A+ D = MM^T：A(简单无向图G的邻接矩阵)、M（G的关联矩阵），D(对角线上第i个元素为顶点i的度的对角矩阵 )
4、用邻接矩阵实现含n个顶点e条边的图的空间复杂度是O(n^2)
5、删除边(i, j)的时间复杂度为 O(1)
6、访问顶点v中存储的数据的时间复杂度O(1)

第七章图应用（学堂在线)

A1 双连通分量：判定准则

信息茧房
关节点（摘除后，连通域个数有所增加）
叶子结点不会是关节点

最高的祖先

A2 双连通分量分解：算法

/* Graph:: BCC() */

#define hca()( fTime(x))  // 利用此处闲置的fTime
template <typename Tv, typename Te>
void Graph<Tv, Te>::BCC(int v, int& clock, Stack<int>& S) {
	hca() = dTime(v) = ++clock;  status(v) = DISCOVERED; S.push(v);
	for (int u = firstNbr(v); -1 < u; u = nextNbr(v, u))
		switch (status(u))
		{  /* ...视u的状态分别处理 ...*/
		case UNDISCOVERED:
			parent(u) = v; type(v, u) = TREE;  // 拓展树边
			BCC(u, clock, S);  // 从u开始遍历，返回后
			if (hca(u) < dTime(v))// 若u经后向边指向v的真祖先
				hca(v) = min(hca(v), hca(u));   // 则v亦如此
			else // 否则，以v为关节点（u以下即是一个BCC， 且其中顶点此时正集中于栈S的顶部）
				while (u != S.pop());   // 弹出当前BCC中(除v外)的所有结点
		                                              // 视需要做进一步处理
			break;
		case DISCOVERED:
			type(v, u) = BACKWARD;
			if (u != parent(v))
				hca(v) = min(hca(v), dTime(u));   // 更新hca[v], 越小越高
			break;

		default:
			type(v, u) = dTime(v) < dTime(u) ? FORWARD : CROSS;
			break;
		}
	status(v) = VISITED;   // 对v的访问结束
}
# undef hca

A3 双连通分量分解：实例

B 优先级搜索（BAG）

template <typename Tv, typename Te>
template<typename PU> // 优先级更新器（函数对象）

void Graph<Tv, Te>::pfs(int s, PU prioUpdater) {
	priority(s) = 0; status(s) = VISITED; parent(s) = -1;  // 起点s加到PFS树中
	while (1) {// 将下一顶点和边加到PFS树中
		/* ... 依次引入n-1个顶点(和 n-1条边)*/
		for (int w = firstNbr(s); -1 < w; w = nextNbr(s, w)) // 对s各邻居w
			prioUpdater(this, s, w);  // 更新顶点w的优先级及其父顶点
		for( int shortest = INT_MAX, w = 0; w < n; w++)
			if( UNDISCOVERED == status(v) ) // 从尚未加入遍历树的顶点中
				if (shortest > priority(w))   // 选出下一个
				{
					shortest = priority(w); s = w;
				}// 优先级最高的顶点s
		if (VISITED == status(s))  break;   // 直至所有顶点均已加入
		status(s) = VISITED; type(parent(s), s) = TREE; // 将s加入遍历树中
	}//while
}

C Dijkstra算法( 最短路径法 )

创造工具
减而治之

/* PrioUpdater() */

g->pfs(0, DijkstraPU<char, int>());   // 从顶点0出发，启动Dijkstra算法

template <typename Tv, typename Te>struct DijkPU {// Dijkstra算法的顶点优先级更新器
	virtual void operator() { Graph <Tv, Te>* g, int uk, int v } {//对uk的每个
		if (UNDISCOVERED != g->status(v))  return;   // 尚未被发现的邻居v, 按
		if (g->priority(v) > g->priority(uk) + g->weight(uk, v)) {// Dijkstra
			
			g->priority(v) = g->priority(uk) + g->weight(uk, v);
			g->parent(v) = uk;   // 做松弛

		}
	}

};

D Prim算法(最小生成树问题)

覆盖图中所有结点的最小树：支撑树
权值不能是负数

切割后，权重不会增加

递增式构造

最小生成树不唯一(起始点不同，生成树不同)

先找最短的那条。这样整体不就最短了吗？

/* PrioUpdater()*/
g->pfs(0, PrimPU<char, int>());  // 从顶点出发，启动Prim算法
template <typename Tv, typename Te>struct PrimPU {// Prim算法的顶点优先级更新器
	virtual void operator() (Graph<Tv, Te>* g, int uk, int v) {// 对uk的每个
		if (UNDISCOVERED != g->status(v))  return;   // 尚未被发现的邻居v,按
		
		if (g->priority(v) > g->weight(uk, v)) {// Prim
			g->priority(v) = g->weight(uk, v);
			g->parent(v) = uk;   // 做松弛
		}

	}
};

第八章二叉搜索树(Binary Search Tree)

P232

A

定义、特点、规范
call - by - key
关键码
比较与比对
词条 entry

/* 词条 */
template <typename K, typename V> struct Entry {// 词条模板类
	K key; V value; // 关键码、数值
	Entry(K k = K(), V v = V())::key(k), value(v) {};   // 默认构造函数
	Entry(Entry<K, V> const& e)::key(e.key), value(e.value) {}; // 克隆

	// 比较器、判别器
	bool operator< (Entry<K, V> const& e) { return key < e.key;  } //小于
	bool operator> (Entry<K, V> const& e) { return key > e.key; } // 大于
	bool operator == (Entry <K, V> const& e) { return key == e.key; }   // 等于
	bool operator !=  (Entry <K, V> const& e) { return key != e.key; }   // 不等于
};

节点~ 词条~ 关键码
BST的中序遍历序列，必然单调非降

/* BST 模板类 */
template <typename T> class BST : public BinTree<T> {// 由BinTree 派生
public:  // 以virtual修饰，以便派生类重写
	virtual BinNodePosi(T)& search(const T&);  // 查找
	virtual BinNodePosi(T) insert(const T&); // 插入
	virtual bool remove(const T&);   // 删除

protected:
	BinNodePosi(T) _hot;  // 命中 结点 的父亲
	BinNodePosi(T) connect34(// 3 + 4 重构
		BinNodePosi(T), BinNodePosi(T), BinNodePosi(T),
		BinNodePosi(T), BinNodePosi(T), BinNOdePosi(T), BinNOdePosi(T));
	BinNodePosi(T) rotateAt(BinNodePosi(T));  // 旋转调整
};

B1 BST：查找

P237
减而治之

/* 二叉搜索树： 查找*/
template <typename T> BinNodePosi(T)& BST<T>::search(const T& e)
{
	return searchIn(_root, e, _hot = NULL);  // 从根结点启动查找
}

static BinNodePosi(T)& searchIn(// 典型的尾递归，可改为爹地啊版
	BinNodePosi(T)& v,   // 当前(子)树根
	const T& e,  // 目标关键码
	BinNodePosi(T)& hot)// 记忆热点
{
	if (!v || (e == v->data)) return v;   // 足以确定成败、成功，或者
	hot = v;    // 先记下当前(非空结点)，然后再
	return searchIn(((e < e->data) ? v->lChild : v->rChild), e, hot);
}// 运行时间正比于返回结点v的深度，不超过树高O(h)

增加哨兵结点

B2 BST：插入

P242

/* 二叉搜索树： 插入*/
template <typename T> BinNodePosi(T) BST<T>::insert(const T& e) {
	BinNodePosi(T)& x = search(e);   // 查找目标
	if (!x) {// 禁止雷同元素， 故仅在查找失败时才实施插入操作
		x = new BinNode<T>(e, _hot);  // 在x处创建新结点，以_hot为父亲
		_size++; updateHeightAbove(x);   // 更新全树规模，更新x及其历代祖先的高度
	}
	return x;   // 无论e是否存在于原树中，至此总有 x-> data == e
}

B3 BST：删除

/* 二叉搜索树： 删除 */
template <typename T> bool BST<T>::remove(const T& e) {
	BinNodePosi(T)& x = search(e); // 定位目标结点
	if (!x) return false;  // 确认目标存在(此时_hot为x的父亲)
	// 元素存在 才可以 实施删除
	removeAt(x, _hot);   // 分两大类情况实施删除，更新全树规模
	_size--;   // 更新全树规模
	updateHeightAbove(_ hot);   // 更新_hot及其历代祖先的高度
	return true;
}// 删除成功与否，由返回值指示

/* 二叉搜索树 删除*/
/* 情况1： *x的某一子树为空,则可将其替换为另一子树  */
template <typename T> static BinNodePosi(T)
removeAt(BinNodePosi(T)& x, BinNodePosi(T)& hot) {
	BinNodePosi(T) w = x;  // 实际被摘除的结点，初值同x
	BinNodePosi(T) succ = NULL;  // 实际被删除结点的接替者
	if (!HasLChild(*x))   succ = x = x->rChild;  // 左子树为空
	else if (!HasRChild(*x))  succ = x = x->lChild;  // 右子树为空
	else {  /*  ... 左、右子树并存的情况*/  // 情况2
		w = w->succ(); swap(x->data, w->data);  // 令*x与其后继互换数据
		BinNodePosi(T) u = w->parent;  // 原问题即转化为, 摘除非二度的结点w
		(u == x ? u->rChild : u->lChild) = succ = w->rChild;	
	}
	hot = w->parent;   // 记录实际被删除结点的父亲
	if (succ)   succ->parent = hot;   // 将被删除结点的接替者与hot相联
	release(w->data); release(w);   // 释放被摘除结点
	return succ;   // 返回接替者
}// O(1)

/* 情况2： */
/*1、在右子树中找最小点 交换到待删除结点处，
* 2、此时 可以按照 第一种情况 继续对  待删除结点进行处理
*/

C 平衡

P248

随机生成: O(logn)
随机组成:O(n^0.5)，更可靠

理想平衡：

适度平衡：高度 渐进地不超过O(logn)，即可称作适度平衡。

适度平衡的BST：平衡二叉搜索树(BBST)

中序遍历歧义

等价BST：上下可变、左右不乱

D1&2 AVL树：重平衡

P253

平衡因子 = 左子树高度 - 右子树高度

AVL树 = 适度平衡

/* AVL 接口 */
#define Balanced(x) \  //理想平衡
(  stature ( (x).lChild ) == stature( (x).rChild ) )

#define BalFac(x) \ // 平衡因子
( stature( (x).lChild ) - stature ( (x).rChild ) )

#define AvlBalanced(x)   \  // AVL平衡条件
( ( -2 < BalFac(x) ) && ( BalFac(x) < 2 ) )

template <typename T> class AVL :public BST<T> {// 由BST派生
public:  // BST::search()等接口，可直接沿用
	BinNodePosi(T)  insert(const T&);   // 插入重写
	bool remove(cosnt T&);   // 删除重写
};

笔记：

在AVL树中插入一个结点后失衡结点个数最多为O(lgn)

在AVL树中删除一个结点后失衡结点个数最多为O(1)

D3 AVL树：插入

zagzag
zigzig
O(1)

zigzag
zagzig

/* AVL树： 插入*/
template <typename T> BinNodePosi(T) AVL<T>::insert(const T& e) {
	BinNodePosi(T)& x = search(e); if (x) return x;  // 若目标尚不存在
	x = new BinNode<T>(e, _hot); _size++; BinNodePosi(T) xx = x;  // 则创建x

	// 从x的父亲出发逐层向上，依次检查各代祖先g
	for( BinNodePosi(T) g = x-> parent; g; g= g->parent)
		if (!AvlBalanced(*g)) {// 一旦发现g失衡，则通过调整恢复平衡
			FromParentIn(*g) = rotateAt( tallerChild( tallerChild(g) ) );
			break;    // g复衡后，局部子树高度必然复原；其祖先亦必如此，故调整结束
		}
		else // 否则(在依然平衡的组先处)
			updateHeight(g);   // 更新其高度
	return xx;   // 返回新结点： 至多只需一次调整
}

D4AVL树：删除

P261

/* AVL树： 删除 */
template <typename T> bool AVL<T>::remove(const T& e) {
	BinNodePosi(T)& x = search(e); if (!x)  return false;   // 若目标的确存在
	removeAt(x, _hot); _size--;   // 则在按BST规则删除之后，_hot及祖先均有可能失衡

	// 从_hot出发逐层向上，依次检查各代祖先
	for (BinNodePosi(T) g = _hot; g; g = g->parent) {
		if ( !AvlBalanced(*g) ) // 一旦发现g失衡，则通过调整恢复平衡
			g = FromParentTo(*g) = rotateAt( tallerChild( tallerChild(g) ) );
		updateHeight(g);   // 更新高度
	}
	return true;   // 删除成功
}

AVL树中删除结点引发失衡，经旋转调整后重新平衡，此时包含g,p,v的子树高度有可能不变也有可能减小1。
在AVL树中修正删除结点引发的失衡有可能出现失衡传播

在AVL树中修正插入结点引发的失衡不会出现失衡传播

D5 AVL树： 3+4重构

P264
魔方组装
中序遍历

/* 3 + 4 重构 */
template <typename T> BinNodePosi(T) BST<T>::connect34(
	BinNodePosi(T) a, BinNodePosi(T) b, BinNodePosi(T) c,
	BinNodePosi(T) T0, BinNodePosi(T) T1, BinNodePosi(T) T2, BinNodePosi(T) T3)
{
	a->lChild = T0; if (T0)  T0->parent = a;
	a->rChild = T1; if (T1) T1->parent = a;  updateHeight(a);
	c->lChild = T2; if (T2) T2->parent = c;
	c->rChild = T3; if (T3) T3->parent = c; updateHeight(c);
	b->lChild = a; a->parent = b;
	b->rChild = c; c->parent = b; updateHeight(b);
	return b;  // 该子树新的根结点
}

template<typename T> BinNodePosi(T) BST<T>::rotateAt(BinNodePosi(T) v) {
	BinNodePosi(T) p = v->parent, g = p->parent; // 父亲、祖父
	if (isLChild(*p))// zig
		if (IsLChild(*v)) {// zig-zig(v,p都是左孩子)
			p->parent = g->parent;// 向上联结
			return connect34(v, p, g,
				v->lChild, v->rChild, p->rChild, g->rChild);
		}
		else {// zig-zag(p是左孩子，v是右子树)
			v->parent = g->parent; //向上联结
			return connect34(p, v, g,
				p->lChild, v->lChild, v->rChild, g->rChild);
		}
	else { /* ..zag-zig & zag-zag ..*/}
}

二叉搜索树的高度和结点个数满足h = O(n),在其上进行查找的最坏时间复杂度为O(n);
平衡二叉搜索树的n和h满足关系h = O(lgn), 在其上进行查找的最坏时间复杂度为O(lgn)。

第十章高级搜索树

P268
伸展树局部性

A1 伸展树：逐层伸展

将刚访问过的结点转移到树根

一步一步往上爬：逐层单旋

A2 伸展树：双层伸展

向上追溯两层，而非一层
反复考查祖孙三代
两次旋转，上升两层

适用于zig-zig和zag-zag

逐层：

双层

双层伸展后，树高缩减为原来的一半
路径折叠
分摊O(logn)

A3 伸展树：算法实现

P282

/* 伸展树接口 */
template <typename T>
class Splay : public BST<T> {// 由BST派生
protected: BinNodePosi(T) splay(BinNodePosi(T) v);  // 将v伸展至根
public:
	BinNodePosi(T)& search(const T& e);  // 查找
	BinNodePosi(T) insert(const T& e);   // 插入
	bool remove(const T& e);  // 删除
};

/* 伸展算法 */
template <typename T> BinNodePosi(T) Splay<T>::splay(BinNodePosi(T) v) {
	if (!v) return NULL; BinNodePosi(T) p; BinNodePosi(T) g; // 父亲、祖父
	while ((p = v->parent) && (g = p->parent)) {// 自下而上，反复双层伸展
		BinNodePosi(T) gg = g->parent; // 每轮之后。v都将以原曾祖父为父
		if( IsLChild( * v))
			if (IsLChild(*p)) { /* zig-zig*/ }
			else {/*zig-zag*/}
		else if (IsRChild(*p)) {/*zag-zag*/ }
		else {/*zag-zig*/}
		if (!gg) v->parent = NULL;  // 若无曾祖父gg，则v现即为树根；否则此后应以v为左或右
		else(g == gg->lc) ? attachAsLChild(gg, v) : attachAsRChild(gg, v); // 孩子
		updateHeight(g); updateHeight(gg, v); updateHeight(v);
	}// 双层伸展结束时，必有g==NULL,但p可能非空
	if (p = v->parent) {/*若p果真是根， 只需再额外单旋（至多一次）*/ }
	v->parent = NULL; return v;  // 伸展完成，v抵达树根
}

if (IsLChild(*v)) {
	if (IsLChild(*p)) {// zig-zig
		attachAsLChild(g, p->rc);
		attachAsLChild(p, v->rc);
		attachAsRChild(p, g);
		attachAsRChild(v, p);
}else { /* zig-zag*/}
}
else {
	if (IsRChild(*p)) { /* zag-zag */}
	else { /* zag-zig*/}
}

/* 查找 */
template <typename T> BinNodePosi(T)& Splay<T>::search(const T& e) {
	// 调用标准BST的内部接口定位目标结点
	BinNodePosi(T) p = searchIn(_root, e, _hot = NULL);
	// 无论成功与否，最后被访问的结点都将伸展至根
	_root = splay(p ? p : _hot);  // 成功、失败
	// 总是返回根结点
	return _root;
}

局部性
插入：

删除：

综合评价：

B1 B-树：大数据

P289
实现高效I/O

640k ought to be enough for anybody.
—B.Gates, 1981

高速缓存

批量式访问

B2 B-树：结构

P295
更宽，更矮
平衡的多路搜索树
P297
2-4树红黑树
结点：向量，序列

/* BTNode*/
template <typename T> struct BTNode {// B-树结点
	BTNodePosi(T) parent;  // 父
	Vector<T> key;   // 数值向量
	Vector < BTNodePosi(T) > child;  // 孩子向量（其长度总比key多1）
	BTNode() { parent = NULL; child.insert(0, NULL); }
	BTNode(T e, BTNodePosi(T) lc = NULL, BTNodePosi(T) rc = NULL) {
		parent = NULL;  // 作为根结点，而且初始时
		key.insert(0, e); // 仅一个关键码，以及
		child.insert(0, lc);   child.insert(1, rc);   // 两个孩子
		if (lc)  lc->parent = this; if (rc) rc->parent = this;
	}
};

/* 两个向量 */

/* BT树*/

#define BTNodePosi(T) BTNode<T>*   // B-树结点位置
template <typename T> class BTree {// B-树
protected:
	int _size;  int _order; BTNodePosi(T) _root;  // 关键码总数、阶次、根
	BTNodePosi(T) _hot;  // search()最后访问的非空结点（辅助动态操作）
	void solveOverflow( BTNodePosi(T) );   // 因插入而上溢后的分裂处理
	void solveUnderflow( BTNodePosi(T) );  // 因删除而下溢后的合并处理
public:
	BTNodePosi(T) search(const T & e);  // 查找
	bool insert(const T& e);  // 插入
	bool remove(const T& e);   // 删除
};

B树的层数少有助于减少I/O 次数

B3 B-树：查找

P303
一次读入性的I/O操作
一次顺序查找
失败查找必终止于外部结点

/* 查找 */
template <typename T> BTNodePosi(T) BTree<T>::search(const T& e) {
	BTNodePosi(T) v = _root; _hot = NULL;   // 从根结点出发
	while (v) {// 逐层查找
		Rank r = v->key.search(e);    // 在当前结点对应的向量中顺序查找
		if (0 <= r && e == v->key[r])  return v;  // 若成功，则返回； 否则
		_hot = v; v = v->child[r + 1];    // 沿引用转至对应的下层子树，并载入其根I/O
	}//若因 !v 而退出，则意味着抵达外部结点
	return NULL;  // 失败
}

树的高度 h

N个成功情况， N+1个失败情况。

B4 B-树：插入

P309

/* 插入 */
template <typename T>
bool BTree<T>::insert(const T& e) {
	BTNodePosi(T) v = serach(e);
	if (v)  return false;  // 确认e不存在
	Rank r = _hot->key.search(e);  // 在结点-hot中确定插入位置
	_hot->key.insert(r + 1, e);   // 将关键码插至对应的位置
	_hot->child.insert(r + 2, NULL);   // 创建一个空指针
	_size++;   solveOverflow(_hot);    // 如发生上溢，需做分裂
	return true;   // 插入成功
}

T= O(h)

B5 B-树：删除

P315

/* 删除  */
template <typename T>
bool BTree<T>::remove(const T& e) {
	BTNodePosi(T) v = search( e );
	if ( ! v ) return false;   // 确认e存在
	Rank r = v->key.search(e);   // 确认e在v中的秩
	if (v->child[0]) {// 若v非叶子
		BTNodePosi(T) u = v->child[r + 1];  // 在右子树中一直向左
		while (u->child[0])  u = u->child[0];  // 找到e的后继(必属于某个叶结点)
		v->key[r] = u->key[0]; v = u; r = 0;   // 并与之交换位置
	}// 至此，v必然位于最底层，且其中第r个关键码就是待删除者
	v->key.remove( r ); v->child.remove( r + 1 ); _size--;
	solveUnderflow(v); return true;    // 如有必要，需做旋转或合并
}

左顾右盼，无法旋转，则考虑合并

B树高度的减少只会发生于根结点的两个孩子合并。

1、插入操作的时间花费主要来自于search(e)

在B树中，跨节点访问的时间花费(I/O操作)远大于在结点内部的顺序访问

2、删除操作的时间花费主要来自search(e）以及查找后继结点所花的时间，后继的查找还要往下进行跨节点范问。删除操作更费时
最坏情况下，两者花费相等。

C1 红黑树：动机

P319

版本号
一致性结构/持久性
P321 关联性
大量共享，少量更新
P322

C2 红黑树：结构

P323

红黑树是BBST的特例

/* 红黑树  接口 定义 */

template <typename T> class RedBlack : public BST<T> {//红黑树
public: // BST::search()等其余接口可直接沿用
	BinNodePosi(T) insert(const T& e);  // 插入
	bool remove(const T& e);   // 删除
protected:
	void solveDoubleRed(BinNodePosi(T) x);  // 双红修正
	void solveDoubleBlack(BinNodePosi(T) x);  // 双黑修正
	int updateHeight(BinNodePosi(T) x);   // 更新结点x的高度， 黑高度
};
template <typename T> int RedBlack<T>::updateHeight(BinNodePosi(T) x) {
	x->height = max(stature(x->lc), stature(x->rc));
	if (IsBlack(x))  x->height++; return x->height;   // 只计黑结点
}

C3 红黑树：插入

P330

/* 处理 双红缺陷 */

template <typename T> BinNodePosi(T) RedBlack<T>::insert(const T& e) {
	// 确认目标结点不存在
	BinNodePosi(T)& x = serach(e); if (x) return x;
	// 创建红结点x, 以_hot为父，黑高度-1
	x = new BinNode<T>(e, _hot, NULL, -1); _size++;

	// 如有必要，需做双红修正
	solveDoubleRed(x);

	// 返回插入的结点
	return x ? x : _hot->parent;
}// 无论原树中是否存在e, 返回时总有x-> data ==e

C4 红黑树：删除

双黑：被删除的点为黑，导致某些路径上黑结点的个数减1
BB-1

BB- 2B

BB- 3

总结

补充笔记

1、伸展树单次查找操作的最坏时间复杂度比AVL树大
2、

大规模数据(不能全部存放于内存中)的存取： B-树
易于实现，各接口的分摊复杂度为O(lgn)：伸展树
处理和几何有关的问题： kd-树
扩充后可支持对历史版本的访问：红黑树

P11 词典

P345

A 散列

服务电话

Hashing:译作散列

桶: bucket
桶数组 bucket array / 散列表 hash table

B 散列函数

P351
散列函数：
1、确定：同一关键码总是被映射到同一地址
2、快速
3、满射
4、均匀，避免聚集现象

1、除余法

hash(key) = key % M

M为素数时，数据对散列表的覆盖最充分，分布最均匀

除余法缺陷：

不动点：总有 hash(0) = 0
零阶均匀： [0,R)的关键码，平均分配到M个桶；但相邻关键码的散列地址也必相邻

一阶均匀：邻近的关键码，散列地址不再邻近

2、MAD法

3、数字分析
4、平方取中

取中的原因：中间的数是更多数位累积而成
5、折叠法

6、位异或法

伪随机数发生器的实现，因平台不同会不同，可移植性差

P359

/* 多项式法： 适用于 英文字符串 */
static size_t hashCode(char s[]) {//近似多项式
	int h = 0;
	for (size_t n = strlen(s), i = 0; i < n; i++) {
		h = (h << 5) | (h >> 27);
		h += (int)s[i];
	}
	return (size_t) h;
}

C 排解冲突(1)（2）

P362
动态维护，散列冲突不可避免

1、多槽位

2、独立链

open addressing / closed hashing

3、线性试探 Linear probing : 一旦冲突，试探紧邻桶单元

lazy removal: 仅做删除标记，查找链不必续接
线性试探不足：试探距离过近

4、平方试探Quadratic probing

可缓解聚集现象

5、双向平方试探
M素数= 4k + 3

双平方定理（费马）：任一素数p可表示为一对整数的平方和，当且仅当 p % 4 = 1

D 桶排序

P375
分配

F 计数排序

P377

N个待排序元素的取值范围是[1,M]，计数排序的时间复杂度为： O(M+N)

补充笔记：

1、用开放定址排解冲突，词条的实际位置不一定是对应的散列函数值

第十二章优先级队列

P378

A1 需求与动机

夜间门诊
多任务调度

循优先级访问


/* 优先级队列 */
template <typename T> struct PQ {  // priority queue
	virtual void insert(T) = 0;   // 按照优先级次序插入词条
	virtual T getMax() = 0;   //取出优先级最高的词条
	virtual T delMax() = 0;   // 删除优先级最高的词条
};// 优先级队列： 抽象数据类型

A2 基本实现

P381
兼顾成本和效率
Vector:

Sorted Vector

极值元，偏序

B1 完全二叉堆：结构

P384

完全二叉树：complete Binary Tree：平衡因子处处非负的AVL

逻辑上，等同于完全二叉树
物理上，直接借助向量实现

完全二叉堆 Complete Binary Tree


#define Parent(i) ( (i-1) >> 1)
# define  LChild(i)( 1 + ((i) << 1))   // 奇数
#define  RChild(i) ( ( 1 + ( i) ) << 1)   // 偶数

多重继承

/* PQ_ComplHeap = PQ + Vector*/

template <typename T> class PQ_ComlHeap : public PQ<T>, public Vector<T> {
protected: Rank percolateDown(Rank n, Rank i);   // 下滤
		 Rank percolateUp(Rank i);  // 上滤
		 void heapify(Rank n);   // Floyd建堆算法
public:
	PQ_ComplHeap(T* A, Rank n)// 批量构造
	{
		copyFrom(A, 0, n); heapiffy(n);
	}
	void insert(T);   // 按照比较器确定的优先级次序，插入词条
	T getMax() { return _elem[0];   }  // 读取优先级最高的词条
	T delMax();    // 删除优先级最高的词条
};

堆序性

/* H[0] 即是 全局最大元素 */

template <typename T> T
PQ_ComplHeap<T>::getMax() { return _elem[0]; }

B2 完全二叉堆：插入与上滤(percolate up)

P388
插入词条e: 将e作为末元素接入向量(可能破坏堆序性)，然后上滤

/* 堆  插入 */
template <typename T> void PQ_ComplHeap<T>::insert(T e)// 插入
{
	Vector<T> ::insert(e);   percolateUp(_size - 1);
}

template <typename T>// 对第i个词条实施上滤， i< _size
Rank  PQ_ComplHeap<T>::percolateUp(Rank i) {
	while ( ParentValid(i) ) { // 只要i有父亲(尚未抵达堆顶)，则
		Rank j = Parent(i);   // 将i之父记作j
		if (lt(_elem[i], _elem[j]))  break;   // 一旦父子不再逆序，上滤完成
		swap(_elem[i], _elem[j]);  i = j;     // 否则，交换父子位置，并上升一层
	}// while
	return i;   // 返回上滤最终抵达的位置
}

h = O(logn)
swap: 3次交换。

改进：先将e备份，确定位置后，做一次交换

B3 完全二叉堆：删除与下滤

P392
结构性与堆序性

末元素替换，然后下滤

/* 堆： 删除*/

template <typename T> T PQ_ComplHeap<T>::delMax() {// 删除
	T maxElem = _elem[0]; _elem[0] = _elem[--_size];   // 摘除堆顶，代之以末词条
	percolateDown(_size, 0);  // 对新堆顶实施下滤
	return maxElem;   // 返回此前备份的最大词条
}

template <typename T>// 对前n个词条中的第i个实施下滤， i<n
Rank PQ_ComplHeap<T>::percolateDown(Rank n, Rank i) {
	Rank j;   // 父
	while (i != (j = ProperParent(_elem, n, i)))  // 只要i非j，则
	{
		swap(_elem[i], _elem[j]); i = j;   // 换位， 并继续考察i
	}
	return i;   // 返回下滤抵达的位置
}

效率：
比较
交换 3logn

B4 完全二叉堆：批量建堆

P396
Heapification

1、自上而下的上滤

/* 自上而下的上滤 */

PQ_ComplHeap(T* A, Rank n) { coptFrom(A, 0, n);  heapify(n); }

template <typename T> void PQ_ComplHeap<T>::heapify(Rank n) {
	for (int i = 1, i < n; i++)   // 按照层次遍历  一个结点时不需要上滤，所以从1开始
		percolateUp(i);   // 经上滤 插入各结点
}

T(n) = nlogn
2、自下而上的下滤
偏序
将小堆合并成大堆
delMax()

template <typename T>
void PQ_ComplHeap<T>::heapify(Rank n) {// 
	for (int i = LastInternal(n); i >= 0; i--)   // 自下而上，自右而左， 依次
		percolateDown(n, i);   // 下滤各内部结点
}  // 子堆的逐层合并

越靠近底层，结点更多（蛮力法）

C 堆排序

P401

就地O(1)

交换 + 下滤

/* 堆排序 */
template <typename T> // 对向量[lo,hi)做就地排序
void Vector<T>::heapSort(Rank lo, Rank hi) {
	PQ_ComplHeap<T> H(_elem + lo, hi - lo);  // 待排序区间建堆, O(n)
	while (!H.empty()) // 反复地摘除最大元并归入已排序的后缀，直至堆空
		_elem[--hi] = H.delMax();    // 等效于堆顶与末元素对换后下滤
}

堆排序：建堆后不断调用delMax()

F1&2 左式堆：结构

P405

为了有效完成堆合并

空结点路径长度 Null Path Length

引入所有的外部结点：消除一度结点，转为真二叉树

结点的高度

F3 左式堆：合并算法

P411

/* LeftHeap */
template <typename T> // 基于二叉树，以左式堆形式实现的优先级队列
class PQ_LeftHeap : public PQ<T>, punlic BinTree<T> {
public:
	void insert(T);  // （按比较器确定的优先级次序）插入元素
	T getMax() { return _root->data;  }  // 取出优先级最高的元素
	T delMax();     // 删除优先级最高的元素
};

template <typename T>
static BinNodePosi(T) merge(BinNodePosi(T), BinNodePosi(T));

左式堆不满足结构性，物理结构不再保持紧凑性，派生至树结构即可

/* 左式堆： 合并*/

template <typename T>
static BinNodePosi(T) merge(BinNodePosi(T) a, BinNodePosi(T) b) {
	if (!a)  return b;   // 递归基
	if (!b)  return a;   // 递归基
	if (lt(a->data, b->data))   swap(b, a);    // 一般情况： 首先确保b不大，a要是大的
	a->rc = merge(a->rc, b);    // 将a的右子堆，与b合并
	a->rc->parent = a;  // 更新父子关系
	if (!a->lc || a->lc->npl  <   a->rc->npl)  // 若有必要
		swap(a->lc, a->rc);   // 交换a的左、右子堆，以确保右子堆的npl不大
	a->npl = a->rc ? a->rc->npl + 1 : 1;   // 更新a的npl
	return a;   // 返回合并后的堆顶
}

F4 左式堆：插入+ 删除

P415
插入即是合并

/* 插入*/

template <typename T>
void PQ_LeftHeap<T>::insert(T e) { // O(logn)
	BinNodePosi(T) v = new BinNode<T>(e);   // 为e创建一个二叉树结点
	_root = merge(_root, v);   // 通过合并完成新结点的插入
	_root->parent = NULL;    // 
	_size++;   //更新规模
}

删除：

/* delMax() */
template <typename T> T PQ_LeftHeap<T>::delMax() {// O(logn)
	BinNodePosi(T) lHeap = _root->lc;   // 左子堆
	BinNodePosi(T)  rHeap = _root->rc;   // 右子堆
	T e = _root->data;  // 备份堆顶处的最大元素

	delete _root; _size--;   // 删除根结点
	_root = merge(lHeap, rHeap);   // 原左、右子堆合并
	if (_root)  _root->parent = NULL;   // 更新父子连接
	return e;   // 返回原根结点的数据项
}

补充笔记

1、用平衡二叉搜索树实现的优先级队列的insert,getMax,delMax接口均可达到O(lgn)的时间复杂度。

第十三章串

P417

A. ADT

字符串在结构上相当于Vector 向量

B. 模式匹配

串匹配
文本串T， n; 模式串P， m
1、蛮力匹配
自左向右，以字符为单位，依次移动模式串

/* 蛮力匹配：  版本1*/
int match(char* P, char* T) {
	size_t n = strlen(T), i = 0;
	size_t m = strlen(P), j = 0;
	while( j < m && i < n)//自左向右逐个比对字符
		if (T[i] == T[j]) { i++; j++; }  // 若匹配，则转到下一对字符
		else { i -= j - 1;  j = 0; }   // 否则  T回退，P复位
	return i - j;
}

/* 蛮力匹配： 版本2*/

int match(char* P, char* T) {
	size_t  n = strlen(T), i = 0;   // T[i]与P[0]对齐
	size_t  m = strlen(P), j;   // T[i+j]与P[j]对齐
	for (i = 0; i < n - m + 1; i++) { // T从第i个字符起
		for (j = 0; j < m; j++)// P中对应的字符逐个
			if (T[i + j] != P[j])   break;  //若失配，P整体右移一个字符，重新比对
		if (m <= j)  break;    // 找到匹配字串
	}
	return i;  
}

最好情况： O(m)
最坏情况： O(n×m)

C1. KMP算法：记忆法

P426
最坏 O(n)

蛮力方法低效的原因： T回退，P复位之后，此前比对过的字符，将再次参与比对。

？根据P扫描T，标记能匹配的，再进行判断，如何呢

C2. KMP算法：查询表

P430
做好充分的预案

/* KMP主算法 */  /* 在蛮力法版本一基础上修改*/
int match(char* P, char* T) {
	int* next = buildNext(p);   // 构造next表
	int n = (int)strlen(T), i = 0;  // 文本串指针
	int m = (int)strlen(P), j = 0;   // 模式串指针
	while( j < m && i < n)// 自左向右，逐个比对字符
		if (0 > j || T[i] == P[j]) {// 若匹配
			i++; j++; // 则携手共进
		}
		else// 否则，P右移，T不回退
			j = next[j];
	delete[] next;  // 释放next表
	return i - j;   
}

C3. KMP算法： next[]表

P433
自匹配 = 快速右移
最长自匹配 = 快速右移 + 避免回退

Next[0] = -1, 哨兵
虚拟实验

C4. KMP算法：构造next[]表

P436
递推
next[j]: 在P[0,j)中，最大自匹配的真前缀和真后缀的长度。

前缀的自相似性

/* next[]表*/

int* buildNext(char* P) {// 构造模式串P的netx[]表  ,  模式串自身的匹配
	size_t m = strlen(P), j = 0;  // 主串指针
	int* N = new int(m);    // next表
	int t = N[0] = -1;   // 模式串指针(P[-1]通配符)
	while (j < m - 1)
		if (0 > t || P[j] == P[t])  // 匹配
			N[++j] = ++t;
		else // 失配
			t = N[t];
	return N;
}

C5. KMP算法：分摊分析

P439
O(n)

对长度为n的文本串和长度为m的模式串，KMP算法的时间复杂度为O(m + n)

C6. KMP算法：再改进

P441
以卵击石
next查询表控制程序进程

/* next表： 改进版本*/
int* buildNext(char* P) {
	size_t m = strlen(P), j = 0;   // 主串指针
	int* N = new int[m];  // next表
	int t = N[0] = -1; // 模式串指针

	while( j < m-1)
		if (0 > t || P[j] == P[t]) {//匹配
			j++; t++; N[j] = P[j] != P[t] ? t : N[t];
		}
		else// 失配
			t = N[t];
	return N;
}

二进制串： KMP

D. BM_BC算法

D1. BM_BC算法：以终为始
P446
坏字符策略

关注失败的比对
让更大的失败更早暴露

D2. BM_BC算法：坏字符
P450
巧选其一，避免回溯

哨兵

D3. BM_BC算法：构造bc[]
P452

/* 构造bc[]表 */
int* buildBC(char* P) {
	int* bc = new int[256];   // bc[]表，比字母表等长
	for (size_t j = 0; j < 256; j++)  bc[j] = -1;  //初始化(统一指向通配符)
	for (size_t m = strlen(P), j = 0; j < m; j++)// 自左向右扫描
		bc[P[j]] = j;    //刷新P[j]的出现位置记录(画家算法：后来覆盖以往)
	return bc;
}// 第二个循环，通过引用临时变量m, 避免反复调用strlen()

D4. BM_BC算法：性能分析
P454
最好情况 O(n/m)

最坏情况
O(n×m)

E： BM_GS算法

P455
好后缀

经验 = 匹配的后缀
在所有前缀P[0,t)中，取与U的后缀匹配的最长者

F: Karp-Rabin算法

P461
串即是整数
凡物皆数
f2: 散列

模余函数
O(1)时间内排除

补充笔记：

1、蛮力串匹配方法匹配成功/失败时的返回值分别为：P在T中首次出现的位置/一个大于n-m的数

P14 排序

P468

快速排序

分而治之

快速排序：将所有元素逐个转换为轴点的过程。

不稳定
就地

平均性能

a4: 快速排序变种

P476

/* 快速排序 */

template <typename T> void Vector<T>::quickSort(Rank lo, Rank hi) {
	if (hi - lo < 2)   return;    // 单元素区间自然有序，否则
	Rank mi = partition(lo, hi - 1);   // 先构造轴点
	quickSort(lo, mi);   // 前缀排序
	quickSort(mi + 1, hi);   // 后缀排序
}

template <typename T> Rank Vector<T>::partition(Rank lo, Rank hi) { //[lo, hi]
	swap(_elem[lo], elem[lo + rand() % (hi - lo + 1)]);   // 随机交换

	T pivot = _elem[lo]; int mi = lo;
	for (int k = lo + 1; k <= hi; k++)// 自左向右考查每个[k]
		if (_lem[k] < pivot)  // 若[k] 小于轴点，则
			swap(_elem[++mi], _elem[k]);   // 与[mi]交换，L向右扩展
	swap(_elem[lo], _elem[mi]);   // 候选轴点归位
	return mi;   // 返回轴点的秩         
}

不稳定

选取

第k大的元素
居中的元素

选取众数

P481
中位数

遍历 + 计数 + 取极值

template <typename T> bool majority(Vector<T> A, T& maj)
{
	return majEleCheck(A, maj = median(A));
}

template <typename T> bool najiority(Vector<T> A, T& maj)
{
	return majElecheck(A, maj = mode(A));  
}

template <typename T> bool majority(Vector<T> A, T& maj)
{
	return majEleCheck(A, maj = majEleCandidate(A));
}

减而治之

template <typename T> T majEleCandidate(Vector<T> A) {
	T maj;   //众数候选者
	// 线性扫描：借助计数器c, 记录maj与其他元素的数量差额
	for(int c=0; i < A.size(); i++)
		if (0 == c) {// 每当c归零，都意味着此时的前缀p可以剪除
			maj = A[i]; c = 1; // 众数候选者改为新的当前元素
		}
		else// 否则
			maj == A[i] ? c++ : c--;   // 相应地更新差额计数器
	return maj;  // 
}

quickSelect
P486

/* quickSelect()算法 */
template <typename T> void quickSelect(Vector<T>& A, Rank k) {
	for (Rank lo = 0, hi = A.size() - 1; lo < hi;) {
		Rank i = lo, j = hi; T pivot = A[lo];
		while (i < j) {// O(hi - lo + 1) = O(n)
			while (i < j && pivot <= A[j]) j--;   A[i] = A[j];
			while (i < j && A[i] <= pivot) i++; A[j] = A[i];
		}
		A[i] = pivot;
		if (k <= i)  hi = i - 1;
		if (i <= k)   lo = i + 1;
	}
}

从规模为n的向量中选取中位数，quickselect算法的最坏时间复杂度是 O(n^2)

linearSelect()算法
P487

希尔排序

P491

1959

矩阵重排：逻辑上排序即可(call-by-Rank)

插入排序

步长序列

互素

插入排序对输入序列的有序程度敏感

邮资问题
凑邮资

线性组合

定理K（knuth）
任何一个原先已是g-ordered的序列，在此后经过h-sorting之后，依然保持是g-ordered。

有序序列的线性组合仍是有序的。

插入排序：逆序列的总数会不断持续的减小，输入敏感，线性正比于逆序对数目。

稳定：归并
不稳定: 快速、堆、希尔

线性时间的中位数选取算法实际效率非常低。

防止快速排序因为选取到不平衡的轴点而变得低效：
方法一：三者取中
方法二：将堆排序与快速排序结合

码农公寓

第-章 绪论

P12 ？

P14 RAM实例 ？

例：2-Subset

例： 取非极端元素

例： 起泡排序

P27 封底估算(Back- Of - The - Envelope Calculation)

例：数组倒置

例： 最大的两个数

补充知识点(重要)：

例： 最长公共子序列

P局限(学堂在线)

补充笔记：

第二章 向量(Vector)

算法的稳定性

P 位图(Bitmap) (学堂在线)

P补充笔记

第三章 列表(list)

补充笔记

第四章 栈与队列

A 栈ADT及实现

C 进制转换

D 括号匹配

E 栈混洗(Stack permutation)

F中缀表达式

G 逆波兰表达式(RPN: Reverse Polish Notation)

infix(中缀)到postfix(前缀):

队列ADT及实现

补充笔记：

第五章 二叉树

A 树

B 树的表示

C 二叉树

D 二叉树实现

E先序遍历

F 中序遍历(inorder traversal)

G 后序遍历（学堂在线）

H 层次遍历

I 重构

J Huffman 树

补充笔记：

第六章 图

A

B 邻接矩阵

D 广度优先搜索(Breath-First-Search)

E 深度优先搜索(Depth- First Search)

F1 拓扑排序之零入度算法

F2 拓扑排序之零出度算法

补充笔记

第七章 图应用 （学堂在线)

A1 双连通分量： 判定准则

A2 双连通分量分解： 算法

A3 双连通分量分解： 实例

B 优先级搜索（BAG）

C Dijkstra算法( 最短路径法 )

D Prim算法(最小生成树问题)

第八章 二叉搜索树(Binary Search Tree)

A

B1 BST： 查找

B2 BST： 插入

B3 BST： 删除

C 平衡

D1&2 AVL树： 重平衡

D3 AVL树： 插入

D4AVL树： 删除

D5 AVL树： 3+4重构

第十章 高级搜索树

A1 伸展树：逐层伸展

A2 伸展树： 双层伸展

A3 伸展树： 算法实现

B1 B-树： 大数据

B2 B-树：结构

B3 B-树：查找

B4 B-树：插入

B5 B-树：删除

C1 红黑树：动机

C2 红黑树：结构

C3 红黑树：插入

C4 红黑树：删除

第-章绪论

P14 RAM实例？

例：取非极端元素

例：起泡排序

例：最大的两个数

例：最长公共子序列

第二章向量(Vector)

第三章列表(list)

第四章栈与队列

第五章二叉树

第六章图

第七章图应用（学堂在线)

A1 双连通分量：判定准则

A2 双连通分量分解：算法

A3 双连通分量分解：实例

第八章二叉搜索树(Binary Search Tree)

B1 BST：查找

B2 BST：插入

B3 BST：删除

D1&2 AVL树：重平衡

D3 AVL树：插入

D4AVL树：删除

第十章高级搜索树

A2 伸展树：双层伸展

A3 伸展树：算法实现

B1 B-树：大数据

第十二章优先级队列

B1 完全二叉堆：结构

B2 完全二叉堆：插入与上滤(percolate up)

B3 完全二叉堆：删除与下滤

B4 完全二叉堆：批量建堆

第十三章串

C1. KMP算法：记忆法

C2. KMP算法：查询表

C4. KMP算法：构造next[]表

C5. KMP算法：分摊分析

C6. KMP算法：再改进