Hash冲突如何解决？

Hash冲突如何解决？

再好的散列函数也无法避免散列冲突。那究竟该如何解决散列冲突问题呢？我们常用的散列冲突解决方法有俩类，开放寻址法（open addressing）和链表法（chaining）

一. 开放寻址法

• 开放寻址法的核心思想是，如果出现了散列冲突，我们就重新探测一个空闲位置，将其插入。这里有两种方法：

1. 线性探测（Linear Probing）

• 当我们往散列表中插入数据时，如果某个数据经过散列函数散列之后，存储位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。
• 线性探测法其实存在很大问题，当散列表中插入的数据越来越多时，散列冲突发生的可能性就会越来越大，空闲位置会越来越少，线性探测的时间就会越来越久。极端情况下，我们可能需要探测整个散列表，所以最坏情况下的时间复杂度为O(n)。同理，在删除和查找时，也有可能会线性探测整张散列表，才能找到要查找或者删除的数据。

2. 二次探测（Quadratic probing）

• 所谓二次探测，跟线性探测很像，线性探测每次探测的步长是1，那它探测的下标就是hash(key) + 0, hash(key)+1, hash(key)+2…而二次探测的步长就变成原来的”二次方“，也就是说，它探测的下标序列就是 hash(key)+0, hash(key)+1²,hash(key)+ 2²…

3. 双重散列（Double hashing）

• 所谓双重散列，意思就是不仅要使用一个散列函数。我们使用一组散列函数hash1(key), hash2(key), hash3(key)…我们先用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，依次类推，直到找到空闲的存储位置。

• 不管采用哪种探测方法，当散列表中空闲位置不多的时候，散列冲突的概率就会大大提高。为了尽可能保证散列表的操作效率，一般情况下，我们会尽可能保证散列表中有一定比例的空闲槽位。我们用装载因子（load factor）来表示空位的多少。

• 装载因子的计算公式：

• 散列表的装载因子 = 填入表中的元素个数/散列表的长度

• 装载因子越大，说明空闲位置越少，冲突越多，散列表的性能会下降。

二. 链表法

• 链表法是一种更加常用的散列冲突解决方法，相比开放寻址法，它要简单很多。

• “桶（bucket）”或者“槽（slot）”会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中

• 当插入的时候，我们只需要通过散列函数计算出对应的散列槽位，将其插入到对应链表中即可，所以插入复杂度是O(1)。当查找、删除一个元素时，我们同样通过散列函数计算出对应的槽，然后遍历链表查找或者删除。那查找或删除操作的时间复杂度跟链表长度k成正比，也就是O(k)，对于散列比较均匀的散列函数来说，理论上讲，k=n/m，其中n表示散列中数据个数，m表示散列表中“槽”个数。