算法与数据结构之数组和广义表

考研题目 第五章 数组和广义表 导读:  一、选择题  1.设有一个10阶的对称矩阵A,采用压缩存储方式,以行序为主存储,a11为第一元素,其存储地址为1,每个元素占一个地址空间,则a85的地址为( )。【燕山大学2001 一、2 (2分)】  A. 13 B. 33 C. 18 D. 40  2. 有一个二维数组A[1:6,0: 阅读详情

重要概念

1. 数组采用的是顺序存储方式。

2. 稀疏矩阵是指非零元素很少(非零元素远少于矩阵总容量),同时它们的分布没有规律。

3. 对矩阵压缩是为了节省数据存储所需的物理存储空间。

4. 上三角矩阵压缩的下标对应关系在上三角矩阵中,主对角线上第r(1≤r≤n)行由n-r+1个元素,a[i][j]所在的行的元素数是j-i+1。所以,按行序存储的元素在一维数组的下标k和二维数组下标的关系:K=(i-1)(2n-i)/2+j。(i≤j)

5. 广义表的表尾是指除第一个元素之外其余元素组成的表,如广义表A(A,B,C,D)的表尾是(B,C,D)。

6. 广义表简称表,是由零个或多个原子或子表组成的有限序列,原子与表的差别仅在于①原子是结构上不可再分的(单元素),可以是一个数或一个结构②表的结构本质就是广义表,因作为广义表的元素故称为子表。为了区分原子和表,一般用大写字母表示表,用小写字母表示原子。一个表的长度是指表中元素的个数,而表的深度是指表展开后所含括号的层数。

7. 广义表((),(a),(b,(c,d),f))的深度为3。广义表(a,(a,b),d,e,((i,j),k))的长度为5。

8. 广义表A(b,A)的长度为2,深度为1。

9. 广义表L=((),()),则head(L)是();tail(L)是(());L的长度是2;深度是2。

待续...

【数据结构与算法】测试五 数组和广义表 1. 常对数组进行的两种基本操作是(C)。A. 建立于删除 B. 索引和修改C. 对数据元素的存取和修改 C. 查找与索引2. 有二维数组 a[1…4,3…6],设每个元素占两个存储单元。若以行序为主序存储,则元素a[3,4]相对于数组空间起始地址的偏移量为(D)。 阅读详情

相关推荐

第5章_数组和广义表.zip

第5章_数组和广义表.zip

数据结构 - 广义表

广义表什么是广义表呢? 广义表是由零个或多个原子或子表组成的有限序列,是线性表的推广广义表一般记作:LS=(d1,d2,…,dn) LS是广义表(d1,d2,…,dn)的名称,n是它的长度。di可以是单个元素,也可以是广义表,分别称为广义表LS的原子和子表广义表概念 当广义表LS非空时,称第一个元素d1为LS的表头(Head),称其余元素组成的子表(d2,…,dn)是LS的表尾(Tail)

尚未佩妥剑 转眼便江湖 2868

MIKE21桥墩模拟实战:抠网格与构筑物法对比与选型指南

本文详细对比了MIKE21软件中抠网格法与构筑物法在桥墩模拟中的应用,包括操作步骤、适用场景及优缺点分析。通过实际案例数据展示两种方法的精度与效率差异,并提供选型决策树和常见问题解决方案,帮助工程师根据项目需求选择最优模拟方法。

weixin_42656416的博客 326

特殊矩阵的压缩存储

对称矩阵其是关于主对角线对称,故可以分为上三角和下三角存储两种方式,所以直接将上三角矩阵和下三角矩阵。首先,对于多维数组,有两种映射方式:按行优先,按列优先。数组A元素a(i)(j)存储于的数组b(k),中,其下表对应规则为。同时需要注意,我使用的二维数组下标是以1开始。数组B:一维b(1)~b(n)数组B:一维b(1)~b(n)一.对称矩阵压缩存储。

qq_65880213的博客 1210

距离多普勒谱(RD谱)绘制方法及理解

RD谱是信号处理领域常用的图形。原始信号往往是一维时域序列,如何将其二维化,并进行变换生成RD谱呢?由于刚刚接触,查阅了网络上、老师手里的资料,发现RD谱的绘制方法并不统一,有些存在一定问题。在此,将心得体会记录下来。

mddh_123的博客 3万+

有源滤波电路设计

目录一、低通滤波器1、同相输入低通滤波器(1)一阶低通滤波电路(2)二阶低通滤波电路(压控电压源;Sallen-Key)2、反相输入低通滤波器(1)一阶低通滤波电路(2)二阶低通滤波电路(无限增益多路反馈)二、高通滤波器1、同相输入高通滤波器(1)一阶高通滤波电路(2)二阶高通滤波电路(压控电压源;Sallen-Key)2、反相输入高通滤波电路(1)二阶高通滤波电路(无限增益多路反馈) 一、低通滤波器 1、同相输入低通滤波器 (1)一阶低通滤波电路 即在一阶无源低通滤波器的基础上,加了一个集成运放。 它的

qq_41873236的博客 3万+

【软考】广义表

1.由于广义表中的元素本身又可以具有结构,它是一种带有层次的非线性结构,因此难以用顺序存储结构表示,通常采用链式存储结构。非空广义表 LS 的第一个元素称为表头,它可以是一个单元素,也可以是一个子表。2.广义表与线性表的区别在于:线性表的元素都是结构上不可分的单元素,而广义表的元素既可以是。2.广义表中的元素可以是已经定义的广义表的名字,所以一个广义表可被其他广义表所共享。的结构,因为广义表的元素可以是子表,而子表的元素还可以是子表。的表,即广义表中的元素也可以是本广义表的名字。是指广义表中元素的个数。

王佑辉的博客 563

HEC-HMS水文建模从入门到精通:手把手教你安装与配置(附常见问题解决)

本文详细指导HEC-HMS水文建模软件的安装与配置,重点解析了基于InstallShield Wizard的安装流程,并提供了针对常见错误代码(如-6003)的解决方案。旨在帮助水文、水利领域从业者快速搭建稳定的建模环境,为后续流域模拟与洪水预报奠定基础。

weixin_29213827的博客 499

特殊矩阵的压缩存储(上)

概述:主要是推导出上/下三角矩阵、对称矩阵存储在一维数组中的方法 a.下三角矩阵 一个n×n阶矩阵,i为行下标,j为列下标,i>=j的部分构成的三角矩阵,称为下三角矩阵,形式如下: a[0,0] a[1,0] a[1,1] a[2,0] a[2,1] a[2,2] 存储一个矩阵最直观的就是用二维数组存储,如果用一维数组存储的话,就会有一个...

java_t_t的博客 1933

科研人必备!用WisPaper搭建个人文献知识库的完整指南(附Zotero联动技巧)

本文详细介绍了如何利用WisPaper搭建高效的个人文献知识库,包括文件命名标准化、文件夹结构设计、语义搜索技巧及与Zotero的深度联动方法。通过智能标签系统和知识图谱功能,科研人员可以快速定位关键文献,提升研究效率。特别适合需要管理大量学术文献的研究者。

weixin_30823001的博客 268

树莓派与无人机协同实战:基于OpenCV的地标识别优化策略

本文深入探讨了基于树莓派与无人机的协同系统,重点分享了利用OpenCV优化地标识别以实现精准降落的实战策略。内容涵盖从应对复杂光照的图像预处理、鲁棒的轮廓几何过滤,到通过ROS进行稳定通信,以及实现分层控制与状态机设计,旨在提升系统在真实环境中的可靠性与性能。

y2z3a4b5c的博客 1087

【数据结构与算法:四、串、数组和广义表】

ADT 串 {数据对象:D = {a1, a2, ..., an | ai ∈ 字符集,i = 1, 2, ..., n}基本操作:串赋值(StrAssign):将串赋值为某一特定值。串连接(Concat):将两个串连接为一个新的串。子串(SubString):提取串中的子串。串匹配(Index):查找某一模式串在主串中的位置。串长度(StrLength):获取串的长度。数组 Array数据元素以逻辑顺序排列。可以通过下标访问元素。数组的长度固定。

计算机领域博客,与时俱进的思想与技术。 1213

LED背光驱动电路解析:从MP3394芯片到液晶屏灯管控制

本文深入解析了以MP3394芯片为核心的LED背光驱动电路工作原理。从升压电路的能量转换到多路LED的均流控制,详细阐述了其作为液晶屏背光“大脑”的关键作用,并提供了黑屏、闪屏、亮度不均等常见故障的实战检修思路与排查方法。

agile9scrum的博客 827

数据结构与算法--串、数组和广义表

一、串 1.串的定义 1) 串: 零个或多个任意字符组成的有限序列 2) 子串:一个串中任意个连续字符组成的子序列(含空串)称为该串的子串 3) 真子串:真子串是指不包含自身的所有子串 4) 主串: 包含子串的串相应的称为主串 5) 字符位置: 字符在序列中的序号为该字符在串中的位置 6) 子串位置: 子串第一个字符在...

SONG_YIH的博客 661

Parasoft C++Test软件单元测试_操作指南

本文主要为使用C++TEST进行单元测试的流程性操作讲解,后续文章将以专题形式进行详细讲解,以及用一些被测函数作为示例进行实例讲解。

文章主要涉及嵌入式软件开发、测试、项目管理等,欢迎交流,共同进步。 1579

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

数据结构与算法基础(四)串、数组 和广义表

数据结构与算法基础(四)串、数组 和广义表 文章目录数据结构与算法基础(四)串、数组 和广义表一、串1. 串的定义2. 案例引入2.1 病毒检测3. 串的类型定义4.串的存储结构4.1 串的顺序存储结构4.2 串的链式存储结构5. 串的操作5.1 串的模式匹配算法5.1.1 BF算法 简单匹配算法二、使用步骤1.引入库2.读入数据总结 一、串 1. 串的定义 零个或多个 任意字符组成的有限序列 几个术语 子串 主串 字符位置 子串位置 空格串 2. 案例引入 2.1 病毒检测 字符串的匹

(∪.∪ )...zzz的博客 379

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

数据结构——串、KMP算法、数组和广义表习题整理

解析:对称矩阵以主对角线为对称轴,上三角和下三角的元素一一对应,存储时只需存储一个三角部分,主对角线的元数个数为10个,上三角和下三角的元素分别为45个,所以总需的压缩存储空间为55。中的元素是按主对角线对称的,即上三角部分和下三角部分中的对应元素相等,所以在存储时只存储主对角线和下三角部分或主对角线和上三角部分的元素,让对称的两个元素共享一个存储空间。10.广义表是一种多层次的数据结构,是线性表的推广,是有限个元素的序列,其元素可以是单原子也可以是子表,即若ai也为广义表,则称其为广义表的子表。

2301_80841566的博客 734

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

数据结构与算法-字符串、数组和广义表(String Array List)

本文介绍了字符串的三种存储结构和两种模式匹配算法。在存储结构方面,包括定长顺序存储(SString)、堆式动态分配存储(HString)和链式分块存储(LString)。模式匹配算法部分重点讲解了BF算法及其时间复杂度分析(最好情况O(n+m),最坏O(n×m)),以及更高效的KMP算法。文中还介绍了数组和广义表相关的内容。

晴空闲云 778

数据结构与算法基础---串、数组和广义表

串、数组和广义表前言1 串的定义2 案例引入3 串的类型定义、存储结构及其运算3.1 类型定义3.2 串的存储结构3.3 串的模式匹配算法4 数组4.1 数组的抽象数据类型定义4.2 数组的顺序存储4.3 特殊矩阵的压缩存储5 广义表 前言 本章的内容不多,数组和广义表了解即可,串中的两个模式匹配算法需要重点学习一下 1 串的定义   串(String):零个或多个任意字符组成的有限序列,s = “a1a2…an”(n≥0),s是串名,a1…是串值,字符个数n是串长,当n为0时,称为空串,用Φ表示   

puzzleZHOU的博客 627

数据结构与算法李春葆系列之数组和广义表思维导图

Time Will Tell 2007

[数据结构与算法] 串,数组和广义表

串偏向于算法,数组和广义表偏向于理解第四章 串、数组和广义表4.1 串的定义4.2 案例引入4.3 串的类型定义,存储结构及运算4.3.1 **串的类型定义**4.3.2 串的存储结构4.3.3 串的模式匹配算法BF算法**KMP算法**4.4 数组4.4.1 数组的抽象数据类型定义4.4.2 数组的顺序存储**二维数组的存储方法****三维数组存储方式**4.4.3 特殊矩阵的压缩存储**对称矩阵**三角矩阵对角矩阵稀疏矩阵**三元组顺序表****十字链表**4.5 广义表**简介****广义表的性质*

m0_47652477的博客 648

数据结构与算法 ~ 数组和广义表 ~ 稀疏矩阵的传统转置

数据结构与算法中数组和广义表的 稀疏矩阵的传统转置 #include<stdlib.h> #include<stdio.h> #define MAXSIZE 100 typedef struct{ int row ,col ;/*该非零元的行下标和列下标*/ int data ; } Triple; typedef struct{ Triple d...

cskmyjy的博客 280

数据结构与算法之串、数组和广义表

数据结构和算法之串、数组以及广义表

qq_53611790的博客 118

数据结构与算法:数组和广义表全解析

摘要:本文系统阐述了数组和广义表的数据结构特性与应用。数组作为线性表的推广,具有同质元素、连续存储和固定维度的特点,支持高效随机存取,可通过行/列优先顺序实现多维映射。特殊矩阵(对称、三角、对角)通过数学公式压缩存储,稀疏矩阵采用三元组优化空间。广义表作为线性表的递归扩展,支持原子和子表元素嵌套,通过头尾链表或孩子兄弟链表实现存储,具备表头/表尾操作、长度深度计算等功能。两种结构分别适用于数值计算和复杂嵌套数据表示场景,构成程序设计的基础数据结构体系。

2301_81233763的博客 843

第五章 多维数组和广义表【数据结构与算法】

第五章 多维数组和广义表(数据结构与算法)

小心星的博客 2857

让数据结构不再难,一篇文章让你重新了解串、数组和广义表,以及尝试暴力BF算法和KMP算法的应用

学习数据结构和算法,避不开的要对串、数组和广义表的学习,并且其中的内容非常底层,难以充分掌握,但是通过学习它的底层原理,可以很好地促进使用,并且我们之前对这些结构的使用也没有任何问题。总而言之,使用不能,但是理解初代设计者的思想难。对于BF算法和KMP算法而言,我们初学者最好还是精通暴力算法,行有余力或者说想要优化代码的可以深入学习KMP算法!

Williamtym的博客 1680
上一篇: 算法与数据结构之串篇
下一篇: 计算机课程中常用的高中数学公式
至学者
博客等级 码龄9年 180粉丝 773原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值