大话数据结构第3章~线性表

本文深入解析线性表的定义、抽象数据类型、基本操作及存储结构。探讨顺序存储与链式存储的优缺点,对比时间与空间性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

3.1线性表的定义

线性表(List):零个或多个数据元素的有限序列。
特点:
1.是一个序列,元素之间有顺序,若存在多个元素,则第一个元素无前驱,最后一个元素无后继。
2.线性表的元素是有限的。
3.相同的数据类型。

ADT线性表(List)

线性表的数据对象集合为{a1,a2,…,an},每个元素的类型均为DataType。其中,除第一个元素a1外,每一个元素a1有且只有一个直接前驱元素,除了最后一个元素an外,每一个元素有且只有一个直接后继元素。数据元素之间的关系是一对一的关系。如图:
在这里插入图片描述
线性表元素的个数n (n≥0)定义为线性表的长度,当n=0时,称为空表。

3.2线性表的抽象数据类型和基本操作

抽象数据类型:

在较复杂的线性表中,一个数据元素可以由若干个数据项组成。
如图:
在这里插入图片描述

基本操作

  Operation
  	InitList (*L) : 初始化操作,建立一个空的线性表L。
  	ListEmpty (L) :若线性表为空,返回true,否则返回false。
  	ClearList(*L) :将线性表清空。
  	GetElem(L,i,*e) :将线性表L中的第i个位置元素值返回给e。
  	LocateElem(L,e) :在线性表L中查找与给定值e相等的元素,如果查找成功,返回该元素在表中序号表示成功;否则,返回0表示失败。
  	ListInsert ( *L,i,e) :在线性表L中的第i个位置插入新元素e。
  	ListDelete ( *L,i,*e) :删除线性表L中第i个位置元素,并用e返回其值。
  	ListLength (L) :返回线性表L的元素个数。

3.3线性表的顺序存储结构

定义:

线性表的顺序存储结构,指的是用一段地址连续的存储单元依次存储线性表的数据元素。
线性表(a1,a2,…,an)的顺序存储示意图:
在这里插入图片描述

顺序存储的方式

就是在内存中找了块地儿,通过占位的形式,把一定内存空间给占了,然后把相同数据类型的数据元素依次存放在这块空地中。既然线性表的每个数据元素的类型都相同,所以可以用C语言(其他语言也相同)的一维数组来实现顺序存储结构,即把第一个 数据元素存到数组下标为0的位置中,接着把线性表相邻的元素存储在数组中相邻的位置。

地址计算方法

数组下标是从0开始的,第i个元素存储在i-1的位置。对应关系如图:
在这里插入图片描述
假设占用的是c个存储单元,那么线性表中第i+1个数据元素的存储位置和第i个数据元素的存储位置满足下列关系(LOC 表示获得存储位置的函数)。
在这里插入图片描述
所以对于第i个数据元素ai的存储位置可以由a1推算得出:
在这里插入图片描述
在这里插入图片描述

3.4顺序存储结构的插入与删除

顺序存储结构的优缺点

优点

●无须为表示表中元素之间的逻辑关系而增加额外的存储空间
●可以快速地存取表中任位置的元素

缺点

●插入和删除操作需要移动大量元素
●当线性表长度变化较大时,难以确定存储空间的容量
●造成存储空间的“碎片”

3.5单链表结构与顺序存储结构优缺点

存储分配方式

●顺序存储结构用一段连续的存储单元依次存储线性表的数据元素
●单链表采用链式存储结构,用一组任意的存储单元存放线性表的元素

时间性能

查找
●顺序存储结构0(1)
●单链表0(n)
插入和删除
●顺序存储结构需要平均移动表长一半的元素,时间为0(n)
●单链表在线出某位置的指针后,插入和删除时间仅为0(1)

空间性能

●顺序存储结构需要预分配存储空间,分大了,浪费,分小了易发生上溢
●单链表不需要分配存储空间,只要有就可以分配,元素个数也不受限制

3.6静态链表

3.7双向链表

3.8循环链表

总结:

在这里插入图片描述

基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型,个人经导师指导并认可通过的高分设计项目,评审分99分,代码完整确保可以运行,小白也可以亲自搞定,主要针对计算机相关专业的正在做大作业的学生和需要项目实战练习的学习者,可作为毕业设计、课程设计、期末大作业,代码资料完整,下载可用。 基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现遥感图像滑坡识别源码+数据集+训练好的模型基于深度学习CNN网络+pytorch框架实现
内容概要:本文深入介绍了HarmonyOS文件系统及其在万物互联时代的重要性。HarmonyOS自2019年发布以来,逐步覆盖多种智能设备,构建了庞大的鸿蒙生态。文件系统作为其中的“数字管家”,不仅管理存储资源,还实现多设备间的数据协同。文详细介绍了常见的文件系统类型,如FAT、NTFS、UFS、EXT3和ReiserFS,各自特点和适用场景。特别强调了HarmonyOS的分布式文件系统(hmdfs),它通过分布式软总线技术,打破了设备界限,实现了跨设备文件的无缝访问。此外,文对比了HarmonyOS与Android、iOS文件系统的差异,突出了其在架构、跨设备能力和安全性方面的优势。最后,从开发者视角讲解了开发工具、关键API及注意事项,并展望了未来的技术发展趋势和对鸿蒙生态的影响。 适合人群:对操作系统底层技术感兴趣的开发者和技术爱好者,尤其是关注物联网和多设备协同的用户。 使用场景及目标:①理解HarmonyOS文件系统的工作原理及其在多设备协同中的作用;②掌握不同文件系统的特性和应用场景;③学习如何利用HarmonyOS文件系统进行应用开发,提升跨设备协同和数据安全。 阅读建议:本文内容详实,涵盖了从基础概念到高级开发技巧的多个层次,建议读者结合自身需求,重点关注感兴趣的部分,并通过实践加深理解。特别是开发者可参考提供的API示例和开发技巧,尝试构建基于HarmonyOS的应用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

Liu-Eleven

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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