一、计算机有哪些存储结构

在计算机中存储和组织数据的方式被称之为数据结构，链表和数组是较为常见的两种结构。

1、数组

数组就像一个个紧挨着的小格子，每一个格子都有它们自己的序号，这个序号被称之为“索引”。与生活中不太相同的是，平时计数习惯以“1”开始，而在计算机中，“0”是开头的第一个数字。

数组中的数据，在计算机的存储器中，也是按顺序存储在连续的位置中。当我们寻找需要的数据时，通过格子中的索引，便可以找到数据。

2、链表

链表的存储方式有些像地址和住宅的关系，地址可以写在一张纸上，但是这并不代表住宅也紧密相邻。链表中的数据在计算机中也是分散地存储在各个地方，但是链表里面除了存储数据，还存储了下一个数据的地址，以便于找到下一个数据。

与数组不同的是，链表储存数据不像数组一样，需要提前设定大小，就像火车的车厢长度是随着乘客的数量而增加的。

扩展资料

数据的链式存储结构可用链接表来表示。

其中data表示值域，用来存储节点的数值部分。Pl，p2，…，Pill(1n≥1)均为指针域，每个指针域为其对应的后继元素或前驱元素所在结点(以后简称为后继结点或前驱结点)的存储位置。

通过结点的指针域(又称为链域)可以访问到对应的后继结点或前驱结点，若一个结点中的某个指针域不需要指向其他结点，则令它的值为空（NULL）。

在数据的顺序存储中，由于每个元素的存储位置都可以通过简单计算得到，所以访问元素的时间都相同；而在数据的链接存储中。

由于每个元素的存储位置保存在它的前驱或后继结点中，所以只有当访问到其前驱结点或后继结点后才能够按指针访问到，访问任一元素的时间与该元素结点在链式存储结构中的位置有关。

参考资料来源：百度百科-存储结构

二、散列表的平均查找长度怎么计算

对于含有n个数据元素的查找表，查找成功的平均查找长度为：ASL=∑PiCi(i=1，2，3，…，n)，可以简单以数学上的期望来这么理解。其中：Pi为查找表中第i个数据元素的概率，Ci为找到第i个数据元素时已经比较过的次数。

在查找表中查找不到待查元素，但是找到待查元素应该在表中存在的位置的平均查找次数称为查找不成功时的平均查找长度，不成功。

扩展资料

散列表的查找过程基本上和造表过程相同。一些关键码可通过散列函数转换的地址直接找到，另一些关键码在散列函数得到的地址上产生了冲突，需要按处理冲突的方法进行查找。在介绍的三种处理冲突的方法中，产生冲突后的查找仍然是给定值与关键码进行比较的过程。所以，对散列表查找效率的量度，依然用平均查找长度来衡量。

查找过程中，关键码的比较次数，取决于产生冲突的多少，产生的冲突少，查找效率就高，产生的冲突多，查找效率就低。因此，影响产生冲突多少的因素，也就是影响查找效率的因素。影响产生冲突多少有以下三个因素：

1、散列函数是否均匀；

2、处理冲突的方法；

3、散列表的装填因子。

散列表的装填因子定义为：α=填入表中的元素个数/散列表的长度

α是散列表装满程度的标志因子。由于表长是定值，α与“填入表中的元素个数”成正比，所以，α越大，填入表中的元素较多，产生冲突的可能性就越大；α越小，填入表中的元素较少，产生冲突的可能性就越小。

实际上，散列表的平均查找长度是装填因子α的函数，只是不同处理冲突的方法有不同的函数。

参考资料来源：百度百科-平均查找长度

参考资料来源：百度百科-散列表

三、哈希表(散列表)

哈希表，也叫散列表，是根据关键码值(key value)直接访问的数据结构。也就是说，它通过把关键码值映射到表中的一个位置来访问记录，以加快查找的速度。这个映射函数叫散列函数，存放记录的表叫散列表。

优点：一对一的查找效率很高；

缺点：一个关键字可能对应多个散列地址；需要查找一个范围时，效果不好。

由于数组是连续的，于是可以根据下标在O(1)的读写任何元素，因此它的时间效率是很高的。我们可以根据数组时间效率高的优点，用数组来实现简单的哈希表：把数组的下标设为哈希表的键值，而把数组中每一个数字设为哈希表的值，这样每一个下标及数组中就形成了键-值的配对。有了这样的哈希表，我们就能在O(1)的时间内查找，从而快速、高效的解决很多问题。

就是把Key通过一个固定的算法函数既所谓的哈希函数转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标。将value存储在以该数字为下标的数组空间里。（或者：把任意长度的输入（又叫做预映射， pre-image），通过散列算法，变换成固定长度的输出，该输出就是散列值。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，而不可能从散列值来唯一的确定输入值。简单的说就是一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。）

数组的特点是：寻址容易，插入和删除困难；

链表的特点是：寻址困难，插入和删除容易;

我们能不能综合两者的特性，做出一种寻址容易，插入删除也容易的数据结构？答案是肯定的，这就是我们要提起的哈希表，哈希表有多种不同的实现方法，我接下来解释的是最常用的一种方法——拉链法，我们可以理解为“链表的数组”。如下图所示。

左边很明显是个数组，数组的每个成员包括一个指针，指向一个链表的头，当然这个链表可能为空，也可能元素很多。我们根据元素的一些特征把元素分配到不同的链表中去，也是根据这些特征，找到正确的链表，再从链表中找出这个元素。

好的散列函数=计算简单+分布均匀（计算得到的散列地址分布均匀）

散列冲突：不同的关键字经过散列函数的计算得到了相同的散列地址。

最直观的一种，上图使用的就是这种散列法，公式：

index= value% 16

学过汇编的都知道，求模数其实是通过一个除法运算得到的，所以叫“除法散列法”。

求index是非常频繁的操作，而乘法的运算要比除法来得省时（对现在的CPU来说，估计我们感觉不出来），所以我们考虑把除法换成乘法和一个位移操作。公式：

如果数值分配比较均匀的话这种方法能得到不错的结果，但我上面画的那个图的各个元素的值算出来的index都是0——非常失败。也许你还有个问题，value如果很大，value* value不会溢出吗？答案是会的，但我们这个乘法不关心溢出，因为我们根本不是为了获取相乘结果，而是为了获取index。

平方散列法的缺点是显而易见的，所以我们能不能找出一个理想的乘数，而不是拿value本身当作乘数呢？答案是肯定的。

1，对于16位整数而言，这个乘数是40503

2，对于32位整数而言，这个乘数是2654435769

3，对于64位整数而言，这个乘数是11400714819323198485

这几个“理想乘数”是如何得出来的呢？这跟一个法则有关，叫黄金分割法则，而描述黄金分割法则的最经典表达式无疑就是著名的斐波那契数列，即如此形式的序列：0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233,377, 610， 987, 1597, 2584, 4181, 6765, 10946，…。另外，斐波那契数列的值和太阳系八大行星的轨道半径的比例出奇吻合。

对我们常见的32位整数而言，公式：

如果用这种斐波那契散列法的话，那上面的图就变成这样了：

用斐波那契散列法调整之后会比原来的取摸散列法好很多。

1.建立一个缓冲区，把凡是拼音重复的人放到缓冲区中。当我通过名字查找人时，发现找的不对，就在缓冲区里找。

2.进行再探测。就是在其他地方查找。探测的方法也可以有很多种。

（1）在找到查找位置的index的index-1，index+1位置查找，index-2，index+2查找，依次类推。这种方法称为线性再探测。

（2）在查找位置index周围随机的查找。称为随机在探测。

（3）再哈希。就是当冲突时，采用另外一种映射方式来查找。