设有一组关键字{29,01,13,15,56,20,87,27,69,9,10,74},散列函数为:H(key)=key % 17,采用线性测方法解决冲突。试在0到18的散列地址空间中对该关键字序列构造散列表,并计算成功查找的平均查找度。手写过程

时间: 2023-08-31 21:20:11 浏览: 139
### 回答1: 首先构造一个长度为18的散列表,初始时所有位置均为空。 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 接下来对每个关键字进行散列,计算其散列地址。由于散列函数为 H(key)=key % 17,因此: - 29 % 17 = 12 - 01 % 17 = 1 - 13 % 17 = 13 - 15 % 17 = 15 - 56 % 17 = 5 - 20 % 17 = 3 - 87 % 17 = 4 - 27 % 17 = 10 - 69 % 17 = 4 - 9 % 17 = 9 - 10 % 17 = 10 - 74 % 17 = 8 然后按照线性探测法的规则,将每个关键字插入到其散列地址处,如果该位置已经被占用,则依次往后探测,直到找到一个空闲位置为止。具体过程如下: - 29 -> 12 - 01 -> 1 - 13 -> 13 - 15 -> 15 - 56 -> 5 - 20 -> 3 - 87 -> 4 - 27 -> 10 - 69 -> 4 (冲突,线性探测) - 9 -> 9 - 10 -> 10 - 74 -> 8 最终得到的散列表如下所示: | 9 | 1 | 20 | 87 | 69 | 56 | 13 | 74 | 15 | 29 | 10 | 27 | 12 | | | 3 | | 4 | 其中,每个位置上的数字表示该位置存放的关键字,空位置用竖线“|”表示。 计算平均查找度的公式为:ASL = (成功查找时的平均查找长度 + 不成功查找时的平均查找长度) / 总记录数。 假设我们要查找关键字 20,由于 H(20) = 3,因此首先查找散列表中下标为 3 的位置。发现该位置存放的是关键字 20,因此查找成功,平均查找长度为 1。 对于不成功查找,可以假设要查找的关键字在散列表中不存在,此时需要从散列表中的每个位置依次开始搜索,直到找到一个空位置或搜索完整个散列表。由于这里的散列表长度比较小,我们可以手动模拟出所有可能的情况,并计算平均查找长度。不妨假设要查找的关键字为 99,那么所有可能的情况如下所示: 1. 0 -> 99 (ASL = 1) 2. 1 -> 99 (ASL = 2) 3. 2 -> 99 (ASL = 3) 4. 3 -> 空 (ASL = 4) 5. 4 -> 99 (ASL = 5) 6. 5 -> 99 (ASL = 6) 7. 6 -> 99 (ASL = 7) 8. 7 -> 99 (ASL = 8) 9. 8 -> 99 (ASL = 9) 10. 9 -> 空 (ASL = 10) 11. 10 -> 99 (ASL = 11) 12. 11 -> 99 (ASL = 12) 13. 12 -> 99 (ASL = 13) 14. 13 -> 99 (ASL = 14) 15. 14 -> 99 (ASL = 15) 16. 15 -> 99 (ASL = 16) 17. 16 -> 空 (ASL = 17) 根据公式,成功查找时的平均查找长度为 1,不成功查找时的平均查找长度为 (1+2+3+4+5+6+7+8+9+10+11+12+13+14+15+16+17) / 18 = 9。 因此,平均查找度为 (1+9) / 12 ≈ 0.83,即成功查找一次需要搜索 0.83 个位置。 ### 回答2: 根据散列函数H(key) = key % 17,我们需要将关键字序列{29,01,13,15,56,20,87,27,69,9,10,74}映射到0到18的散列地址空间中。 首先,我们创建一个长度为19的散列表,初始化所有的位置为空。 然后,根据散列函数计算每个关键字的散列地址并插入到散列表中: 散列地址 = 关键字 % 17 29的散列地址 = 29 % 17 = 12,插入到地址为12的位置 01的散列地址 = 01 % 17 = 1,插入到地址为1的位置 13的散列地址 = 13 % 17 = 13,插入到地址为13的位置 15的散列地址 = 15 % 17 = 15,插入到地址为15的位置 ... 依次类推 如果某个位置已经被占用,采用线性探测方法解决冲突,即往后寻找下一个空闲位置。 最终,散列表中的关键字分布如下: 0:空 1:01 2:15 3:15 4:空 5:56 6:20 7:空 8:空 9:69 10:10 11:空 12:29 13:13 14:空 15:27 16:74 17:87 18:空 计算成功查找的平均查找度,需要统计每个关键字在查找时的查找次数,并求平均值。 关键字29的查找次数为1 关键字01的查找次数为1 关键字13的查找次数为1 关键字15的查找次数为1 关键字56的查找次数为1 关键字20的查找次数为1 关键字87的查找次数为1 关键字27的查找次数为1 关键字69的查找次数为1 关键字9的查找次数为1 关键字10的查找次数为1 关键字74的查找次数为1 因此,成功查找的平均查找度为1。 需要注意的是,由于散列函数和冲突解决方法的选择,该散列表具有较低的冲突率。若冲突较多,则平均查找度可能会有所提高。 ### 回答3: 首先,我们需要创建一个大小为19的散列表(0到18的散列地址空间)。然后,按照散列函数H(key)=key % 17,将关键字序列依次插入到散列表中。 插入第一个关键字29: H(29) = 29 % 17 = 12 散列表:[ , , , , , , , , , , , , 29, , , , , , ] 插入第二个关键字01: H(01) = 01 % 17 = 1 散列表:[ , 01, , , , , , , , , , , 29, , , , , , ] 插入第三个关键字13: H(13) = 13 % 17 = 13 散列表:[ , 01, , , , , , , , , , , 29, 13, , , , , ] 插入第四个关键字15: H(15) = 15 % 17 = 15 散列表:[ , 01, , , , , , , , , , , 29, 13, 15, , , , ] 插入第五个关键字56: H(56) = 56 % 17 = 5 散列表:[ , 01, , , , 56, , , , , , , 29, 13, 15, , , , ] 插入第六个关键字20: H(20) = 20 % 17 = 3 散列表:[ , 01, , 20, , 56, , , , , , , 29, 13, 15, , , , ] 插入第七个关键字87: H(87) = 87 % 17 = 9 散列表:[ , 01, , 20, , 56, , , , 87, , , 29, 13, 15, , , , ] 插入第八个关键字27: H(27) = 27 % 17 = 10 散列表:[ , 01, , 20, , 56, , , , 87, 27, , 29, 13, 15, , , , ] 插入第九个关键字69: H(69) = 69 % 17 = 4 散列表:[ , 01, , 20, 69, 56, , , , 87, 27, , 29, 13, 15, , , , ] 插入第十个关键字9: H(9) = 9 % 17 = 9 (发生冲突) 线性探测法解决冲突,尝试下一个位置: H(9) + 1 = 10 散列表:[ , 01, , 20, 69, 56, , , , 87, 27, 9, 29, 13, 15, , , , ] 插入第十一个关键字10: H(10) = 10 % 17 = 10 (发生冲突) 线性探测法解决冲突,尝试下一个位置: H(10) + 1 = 11 散列表:[ , 01, , 20, 69, 56, , , , 87, 27, 9, 10, 29, 13, 15, , , , ] 插入第十二个关键字74: H(74) = 74 % 17 = 8 散列表:[ , 01, , 20, 69, 56, , , 74, 87, 27, 9, 10, 29, 13, 15, , , , ] 最终得到的散列表为: [ , 01, , 20, 69, 56, , , 74, 87, 27, 9, 10, 29, 13, 15, , , , ] 成功查找的平均查找度计算方法如下: 查找度 = (查找成功时的比较次数 + 1) / 2 总的查找度 = 所有关键字的查找度之和 计算关键字29的查找度:(1+1)/2 = 1 计算关键字01的查找度:(1+1)/2 = 1 计算关键字13的查找度:(1+1)/2 = 1 计算关键字15的查找度:(1+1)/2 = 1 计算关键字56的查找度:(1+1)/2 = 1 计算关键字20的查找度:(1+1)/2 = 1 计算关键字87的查找度:(1+1)/2 = 1 计算关键字27的查找度:(1+1)/2 = 1 计算关键字69的查找度:(1+1)/2 = 1 计算关键字9的查找度:(2+1)/2 = 1.5 计算关键字10的查找度:(2+1)/2 = 1.5 计算关键字74的查找度:(1+1)/2 = 1 总的查找度 = 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1.5 + 1.5 + 1 = 13 成功查找的平均查找度 = 总的查找度 / 插入关键字的数量 = 13 / 12 = 1.083 因此,成功查找的平均查找度为1.083。

相关推荐

最新推荐

recommend-type

〖程序设计基础〗练习题2及答案

21. 用于定义类成员的访问控制权的一组关键字是( )。 A) class, float, double, public B) float, boolean, int, long C) char, extends, float, double D) public, private, protected 22. 不能构成循环的语句是( ...
recommend-type

课设毕设基于SSM的毕业生就业信息管理系统-LW+PPT+源码可运行

课设毕设基于SSM的毕业生就业信息管理系统--LW+PPT+源码可运行
recommend-type

STM32设置闹钟中断-博文程序源码

发了《STM32设置闹钟中断》一文后,大家都要问我要源码,其实我也找不到,当初也只是做设计时的一部分,根本没留单独的源代码,今天按博文特意重新整理了一下,有需要的自己下载吧。
recommend-type

node-v0.8.26-sunos-x86.tar.gz

Node.js,简称Node,是一个开源且跨平台的JavaScript运行时环境,它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立,旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎,可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型,这使得它非常适合处理大量并发连接,从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外,Node.js使用了模块化的架构,通过npm(Node package manager,Node包管理器),社区成员可以共享和复用代码,极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展,它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等,因此,开发者可以用JavaScript编写全栈应用程序,这一点大大提高了开发效率和便捷性。 在实践中,许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台,如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能,简化了开发流程,并且能更快地响应市场需求。
recommend-type

python非常炫酷的跳动爱心代码

python爱心代码高级 python非常炫酷的跳动爱心代码 python非常炫酷的跳动爱心代码 python非常炫酷的跳动爱心代码 python非常炫酷的跳动爱心代码 python非常炫酷的跳动爱心代码
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

SPDK_NVMF_DISCOVERY_NQN是什么 有什么作用

SPDK_NVMF_DISCOVERY_NQN 是 SPDK (Storage Performance Development Kit) 中用于查询 NVMf (Non-Volatile Memory express over Fabrics) 存储设备名称的协议。NVMf 是一种基于网络的存储协议,可用于连接远程非易失性内存存储器。 SPDK_NVMF_DISCOVERY_NQN 的作用是让存储应用程序能够通过 SPDK 查询 NVMf 存储设备的名称,以便能够访问这些存储设备。通过查询 NVMf 存储设备名称,存储应用程序可以获取必要的信息,例如存储设备的IP地址、端口号、名称等,以便能
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。