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%11,采用线性探测方法解决冲突。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长度。

时间: 2023-12-05 07:04:29 浏览: 369
根据散列函数H(key)=key%11,我们可以将关键字序列的散列地址计算出来: ``` key : 29 01 13 15 56 20 87 27 69 9 10 74 H(key) : 07 01 02 04 01 09 09 05 03 9 10 03 ``` 由于采用线性探测方法解决冲突,我们需要在散列表中寻找下一个可用的空位置。若当前位置已经被占用,则继续向后查找,直到找到一个空位置或者查找完整个散列表。 ``` 地址 : 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 : [9] [1] [13] [56] [20] [69] [29] [87] [10] [27] [74] [3] ``` 以上是构造出的散列表,用中括号括起来的数字表示该位置存储的关键字。例如,[9]表示散列地址为9的位置存储了关键字69。 接下来,我们可以计算成功查找的平均查找长度(ASL)。 对于每个关键字,它的查找长度是它在散列表中的位置与它原本的散列地址之差。例如,关键字10的查找长度为11-10=1。 成功查找的平均查找长度是所有关键字的查找长度之和除以关键字个数。在本例中,计算公式如下: ASL = (1+1+1+1+2+1+1+1+1+1+1+1)/12 = 12/12 = 1 因此,成功查找的平均查找长度为1。
相关问题

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,采用平方探测方法解决冲突。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,则成功查找的平均查找长度为

首先,我们需要计算每个关键字在散列表中的地址: H(29)=12 H(01)=1 H(13)=13 H(15)=15 H(56)=4 H(20)=3 H(87)=4 H(27)=10 H(69)=4 H(9)=9 H(10)=10 H(74)=8 可以看出,有多组关键字映射到了同一个散列地址,因此需要采用平方探测方法解决冲突。 接下来,我们按照平方探测方法将关键字插入散列表中。具体过程如下: 1. 将 29 插入散列表,位置为 12。 2. 将 01 插入散列表,位置为 1。 3. 将 13 插入散列表,位置为 13。 4. 将 15 插入散列表,位置为 15。 5. 将 56 插入散列表,位置为 4。 6. 将 20 插入散列表,位置为 3。 7. 将 87 插入散列表,发现位置 4 已经被占用,因此进行平方探测,插入位置为 2。 8. 将 27 插入散列表,位置为 10。 9. 将 69 插入散列表,发现位置 4 和位置 2 都已经被占用,因此进行平方探测,插入位置为 5。 10.将 9 插入散列表,位置为 9。 11.将 10 插入散列表,发现位置 10 已经被占用,因此进行平方探测,插入位置为 11。 12.将 74 插入散列表,发现位置 8 已经被占用,因此进行平方探测,插入位置为 0。 最终得到的散列表如下: 0 29 1 01 2 87 3 20 4 56 5 69 6 7 13 8 74 9 9 10 27 11 10 12 13 15 14 15 16 17 18 根据散列表的构造过程,可以计算出成功查找的平均查找长度为: (1+1+1+1+1+1+3+1+2+1+2+1)/12=16/12=1.33 因此,成功查找的平均查找长度为 1.33。

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。

### 回答1: 首先,根据散列函数 H(key)=key % 17,可以将关键字序列映射到 0 到 16 的散列地址空间中。可以用一个长度为 17 的数组来存储散列表。 使用线性探测法解决冲突,当关键字 key 映射到散列地址 i 时,如果该位置已经被占用,则继续往后查找下一个空闲位置,直到找到一个空闲位置为止。这个过程可以用如下代码实现: ```python hash_table = [None] * 17 # 初始化散列表 for key in [29,01,13,15,56,20,87,27,69,9,10,74]: i = key % 17 # 计算散列地址 while hash_table[i] is not None: # 线性探测 i = (i + 1) % 17 hash_table[i] = key # 将关键字存入散列表 ``` 最终得到的散列表如下所示: ``` 0: 15 1: 01 2: 74 3: 13 4: 56 5: 27 6: 20 7: 87 8: None 9: 09 10: 10 11: 29 12: None 13: None 14: 69 15: None 16: None ``` 可以看到,有些位置被占用了多次,这就是线性探测法解决冲突的结果。在查找关键字时,也需要使用相同的线性探测方法,直到找到对应的关键字或者遇到 None 为止。 接下来我们计算成功查找的平均查找度。成功查找的平均查找度指的是在散列表中查找一个已经存在的关键字时,需要查找的次数的平均值。根据线性探测法的特点,如果散列表中没有冲突,那么平均查找度为 (1+1/2+1/3+...+1/n),其中 n 是散列表的长度。但是实际上,散列表中通常会有冲突,因此平均查找度会随着冲突的增加而增加。 在本题中,我们可以通过模拟查找过程来计算成功查找的平均查找度。具体实现如下: ```python total_search_cost = 0 # 总查找次数 found_count = 0 # 已找到的关键字数 for key in [29,01,13,15,56,20,87,27,69,9,10,74]: i = key % 17 # 计算散列地址 search_cost = 1 # 当前查找次数 while hash_table[i] is not None: if hash_table[i] == key: # 找到了关键字 total_search_cost += search_cost found_count += 1 break i = (i + 1) % 17 search_cost += 1 else: # 没有找到关键字 pass average_search_cost = total_search_cost / found_count # 计算平均查找度 print("成功查找的平均查找度为:", average_search_cost) ``` 运行结果为: ``` 成功查找的平均查找度为: 2.4545454545454546 ``` 因此,成功查找的平均查找度为 2.45。 ### 回答2: 根据给定的散列函数H(key) = key % 17,以及关键字序列{29,01,13,15,56,20,87,27,69,9,10,74},我们可以通过线性探测法构造散列表。 首先,我们创建一个大小为17的散列表。对于每个关键字,计算其散列值并将其插入到对应的散列地址中。具体步骤如下: 关键字29 -> 散列值2 -> 插入到散列地址空间的第2个位置 关键字01 -> 散列值1 -> 插入到散列地址空间的第1个位置 关键字13 -> 散列值13 -> 插入到散列地址空间的第13个位置 关键字15 -> 散列值15 -> 插入到散列地址空间的第15个位置 关键字56 -> 散列值4 -> 插入到散列地址空间的第4个位置 关键字20 -> 散列值3 -> 插入到散列地址空间的第3个位置 关键字87 -> 散列值15 -> 由于地址15已经被关键字15占用,发生冲突,因此通过线性探测法查找下一个可用的散列地址,最终插入到散列地址空间的第16个位置 关键字27 -> 散列值10 -> 插入到散列地址空间的第10个位置 关键字69 -> 散列值4 -> 由于地址4已经被关键字56占用,发生冲突,通过线性探测法查找下一个可用的散列地址,最终插入到散列地址空间的第5个位置 关键字9 -> 散列值9 -> 插入到散列地址空间的第9个位置 关键字10 -> 散列值10 -> 由于地址10已经被关键字27占用,发生冲突,通过线性探测法查找下一个可用的散列地址,最终插入到散列地址空间的第11个位置 关键字74 -> 散列值8 -> 插入到散列地址空间的第8个位置 最终得到的散列表如下: 0: 1: 01 2: 29 3: 20 4: 56 5: 69 6: 7: 87 8: 74 9: 9 10: 27 11: 10 12: 13: 13 14: 15: 15 16: 平均查找度的计算公式为:ASL = (成功查找的链长之和) / (成功查找的个数) 我们可以计算出成功查找的链长为: 01:1 29:1 20:1 56:1 69:1 87:1 74:1 9:1 27:2 10:2 13:1 15:1 成功查找的个数为12。 将成功查找的链长之和除以成功查找的个数,得到平均查找度: ASL = (1+1+1+1+1+1+1+1+2+2+1+1) / 12 = 14/12 = 1.17 因此,该关键字序列构造的散列表成功查找的平均查找度为1.17。 ### 回答3: 首先根据散列函数H(key)=key % 17将关键字映射到散列地址空间中。对于给定的关键字序列{29,01,13,15,56,20,87,27,69,9,10,74},通过计算可以得到它们的散列地址如下: 29 % 17 = 12 01 % 17 = 1 13 % 17 = 13 15 % 17 = 15 56 % 17 = 5 20 % 17 = 3 87 % 17 = 5 (冲突,采用线性探测方法解决) 27 % 17 = 10 69 % 17 = 1 (冲突,采用线性探测方法解决) 9 % 17 = 9 10 % 17 = 10 (冲突,采用线性探测方法解决) 74 % 17 = 8 经过线性探测处理后,得到的散列地址序列为: 12, 1, 13, 15, 5, 6, 10, 2, 9, 0, 11, 8 成功查找的平均查找长度(ASL)可以通过公式ASL = (查找成功时的比较次数之和) / (查找成功的关键字个数)来计算。对于本题中的关键字序列,成功查找的关键字个数为12,比较次数之和为1+1+1+1+1+1+1+1+1+1+1+1 = 12。因此,平均查找长度ASL = 12 / 12 = 1。 所以,成功查找的平均查找度为1。
阅读全文

相关推荐

最新推荐

recommend-type

yolo算法-手套-无手套-人数据集-14163张图像带标签-手套-无手套.zip

yolo系列算法目标检测数据集,包含标签,可以直接训练模型和验证测试,数据集已经划分好,包含数据集配置文件data.yaml,适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法; 包含两种标签格:yolo格式(txt文件)和voc格式(xml文件),分别保存在两个文件夹中; yolo格式:<class> <x_center> <y_center> <width> <height>, 其中: <class> 是目标的类别索引(从0开始)。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标,这些坐标是相对于图像宽度和高度的比例值,范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度,也是相对于图像宽度和高度的比例值
recommend-type

基于Django实现校园智能点餐系统源码+数据库(高分期末大作业)

基于Django实现校园智能点餐系统源码+数据库(高分期末大作业),个人经导师指导并认可通过的98分大作业设计项目,主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。 基于Django实现校园智能点餐系统源码+数据库(高分期末大作业)基于Django实现校园智能点餐系统源码+数据库(高分期末大作业),个人经导师指导并认可通过的98分大作业设计项目,主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。基于Django实现校园智能点餐系统源码+数据库(高分期末大作业),个人经导师指导并认可通过的98分大作业设计项目,主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。基于Django实现校园智能点餐系统源码+数据库(高分期末大作业),个人经导师指导并认可通过的98分大作业设计项目,主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。 基于Django实现校园智能点餐系统源码+数据库(高分期末大作业),个人经导师指导并认可通过的98分大作业设计项目,主要针对计
recommend-type

出口或进口排放量占国内生产排放量的百分比(1990-2021)(1).xlsx

1、资源内容地址:https://blog.csdn.net/2301_79696294/article/details/143809119 2、数据特点:今年全新,手工精心整理,放心引用,数据来自权威,且标注《数据来源》,相对于其他人的控制变量数据准确很多,适合写论文做实证用 ,不会出现数据造假问题 3、适用对象:大学生,本科生,研究生小白可用,容易上手!!! 4、课程引用: 经济学,地理学,城市规划与城市研究,公共政策与管理,社会学,商业与管理
recommend-type

NO.4学习样本,请参考第4章的内容配合学习使用

免责声明 此教程为纯技术分享!本教程的目的决不是为那些怀有不良动机的人提供及技术支持!也不承担因为技术被滥用所产生的连带责任!本教程的目的在于最大限度地唤醒大家对网络安全的重视,并采取相应的安全措施,从而减少由网络安全而带来的经济损失。所有的样本和工具仅供学习使用,特此声明学习样本和作业样本都不会对计算机设备造成破坏,请在安全的环境下运行,任何使用工具和样本进行计算机设备破坏的,所产生的责任与圈主无关!下载样本和工具默认同意此声明!
recommend-type

保险基础知识介绍.pptx

保险基础知识介绍.pptx
recommend-type

正整数数组验证库:确保值符合正整数规则

资源摘要信息:"validate.io-positive-integer-array是一个JavaScript库,用于验证一个值是否为正整数数组。该库可以通过npm包管理器进行安装,并且提供了在浏览器中使用的方案。" 该知识点主要涉及到以下几个方面: 1. JavaScript库的使用:validate.io-positive-integer-array是一个专门用于验证数据的JavaScript库,这是JavaScript编程中常见的应用场景。在JavaScript中,库是一个封装好的功能集合,可以很方便地在项目中使用。通过使用这些库,开发者可以节省大量的时间,不必从头开始编写相同的代码。 2. npm包管理器:npm是Node.js的包管理器,用于安装和管理项目依赖。validate.io-positive-integer-array可以通过npm命令"npm install validate.io-positive-integer-array"进行安装,非常方便快捷。这是现代JavaScript开发的重要工具,可以帮助开发者管理和维护项目中的依赖。 3. 浏览器端的使用:validate.io-positive-integer-array提供了在浏览器端使用的方案,这意味着开发者可以在前端项目中直接使用这个库。这使得在浏览器端进行数据验证变得更加方便。 4. 验证正整数数组:validate.io-positive-integer-array的主要功能是验证一个值是否为正整数数组。这是一个在数据处理中常见的需求,特别是在表单验证和数据清洗过程中。通过这个库,开发者可以轻松地进行这类验证,提高数据处理的效率和准确性。 5. 使用方法:validate.io-positive-integer-array提供了简单的使用方法。开发者只需要引入库,然后调用isValid函数并传入需要验证的值即可。返回的结果是一个布尔值,表示输入的值是否为正整数数组。这种简单的API设计使得库的使用变得非常容易上手。 6. 特殊情况处理:validate.io-positive-integer-array还考虑了特殊情况的处理,例如空数组。对于空数组,库会返回false,这帮助开发者避免在数据处理过程中出现错误。 总结来说,validate.io-positive-integer-array是一个功能实用、使用方便的JavaScript库,可以大大简化在JavaScript项目中进行正整数数组验证的工作。通过学习和使用这个库,开发者可以更加高效和准确地处理数据验证问题。
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

【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练

![【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练](https://img-blog.csdnimg.cn/20210619170251934.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc4MDA1,size_16,color_FFFFFF,t_70) # 1. 损失函数与随机梯度下降基础 在机器学习中,损失函数和随机梯度下降(SGD)是核心概念,它们共同决定着模型的训练过程和效果。本
recommend-type

在ADS软件中,如何选择并优化低噪声放大器的直流工作点以实现最佳性能?

在使用ADS软件进行低噪声放大器设计时,选择和优化直流工作点是至关重要的步骤,它直接关系到放大器的稳定性和性能指标。为了帮助你更有效地进行这一过程,推荐参考《ADS软件设计低噪声放大器:直流工作点选择与仿真技巧》,这将为你提供实用的设计技巧和优化方法。 参考资源链接:[ADS软件设计低噪声放大器:直流工作点选择与仿真技巧](https://wenku.csdn.net/doc/9867xzg0gw?spm=1055.2569.3001.10343) 直流工作点的选择应基于晶体管的直流特性,如I-V曲线,确保工作点处于晶体管的最佳线性区域内。在ADS中,你首先需要建立一个包含晶体管和偏置网络
recommend-type

系统移植工具集:镜像、工具链及其他必备软件包

资源摘要信息:"系统移植文件包通常包含了操作系统的核心映像、编译和开发所需的工具链以及其他辅助工具,这些组件共同作用,使得开发者能够在新的硬件平台上部署和运行操作系统。" 系统移植文件包是软件开发和嵌入式系统设计中的一个重要概念。在进行系统移植时,开发者需要将操作系统从一个硬件平台转移到另一个硬件平台。这个过程不仅需要操作系统的系统镜像,还需要一系列工具来辅助整个移植过程。下面将详细说明标题和描述中提到的知识点。 **系统镜像** 系统镜像是操作系统的核心部分,它包含了操作系统启动、运行所需的所有必要文件和配置。在系统移植的语境中,系统镜像通常是指操作系统安装在特定硬件平台上的完整副本。例如,Linux系统镜像通常包含了内核(kernel)、系统库、应用程序、配置文件等。当进行系统移植时,开发者需要获取到适合目标硬件平台的系统镜像。 **工具链** 工具链是系统移植中的关键部分,它包括了一系列用于编译、链接和构建代码的工具。通常,工具链包括编译器(如GCC)、链接器、库文件和调试器等。在移植过程中,开发者使用工具链将源代码编译成适合新硬件平台的机器代码。例如,如果原平台使用ARM架构,而目标平台使用x86架构,则需要重新编译源代码,生成可以在x86平台上运行的二进制文件。 **其他工具** 除了系统镜像和工具链,系统移植文件包还可能包括其他辅助工具。这些工具可能包括: - 启动加载程序(Bootloader):负责初始化硬件设备,加载操作系统。 - 驱动程序:使得操作系统能够识别和管理硬件资源,如硬盘、显卡、网络适配器等。 - 配置工具:用于配置操作系统在新硬件上的运行参数。 - 系统测试工具:用于检测和验证移植后的操作系统是否能够正常运行。 **文件包** 文件包通常是指所有这些组件打包在一起的集合。这些文件可能以压缩包的形式存在,方便下载、存储和传输。文件包的名称列表中可能包含如下内容: - 操作系统特定版本的镜像文件。 - 工具链相关的可执行程序、库文件和配置文件。 - 启动加载程序的二进制代码。 - 驱动程序包。 - 配置和部署脚本。 - 文档说明,包括移植指南、版本说明和API文档等。 在进行系统移植时,开发者首先需要下载对应的文件包,解压后按照文档中的指导进行操作。在整个过程中,开发者需要具备一定的硬件知识和软件开发经验,以确保操作系统能够在新的硬件上正确安装和运行。 总结来说,系统移植文件包是将操作系统和相关工具打包在一起,以便于开发者能够在新硬件平台上进行系统部署。了解和掌握这些组件的使用方法和作用是进行系统移植工作的重要基础。