資料結構思維 第五章 雙連結串列
第五章 雙連結串列
譯者:飛龍
自豪地採用谷歌翻譯
本章回顧了上一個練習的結果,並介紹了List
介面的另一個實現,即雙連結串列。
5.1 效能分析結果
在之前的練習中,我們使用了Profiler.java
,執行ArrayList
和LinkedList
的各種操作,它們具有一系列的問題規模。我們將執行時間與問題規模繪製在重對數比例尺上,並估計所得曲線的斜率,它表示執行時間和問題規模之間的關係的主要指數。
例如,當我們使用add
方法將元素新增到ArrayList
的末尾,我們發現,執行n
次新增的總時間正比於n
。也就是說,估計的斜率接近1
。我們得出結論,執行n
次新增是 O(n)
的,所以平均來說,單個新增的時間是常數時間,或者O(1)
,基於演算法分析,這是我們的預期。
這個練習要求你填充profileArrayListAddBeginning
的主體,它測試了,在ArrayList
頭部新增一個新的元素的效能。根據我們的分析,我們預計每個新增都是線性的,因為它必須將其他元素向右移動;所以我們預計,n
次新增是平方複雜度。
這是一個解決方案,你可以在倉庫的solution
目錄中找到它。
public static void profileArrayListAddBeginning() {
Timeable timeable = new Timeable() {
List<String> list;
public void setup(int n) {
list = new ArrayList<String>();
}
public void timeMe(int n) {
for (int i=0; i<n; i++) {
list.add(0, "a string");
}
}
};
int startN = 4000;
int endMillis = 10000;
runProfiler("ArrayList add beginning", timeable, startN, endMillis);
}
這個方法幾乎和profileArrayListAddEnd
相同。唯一的區別在於timeMe
,它使用add
的雙引數版本,將新元素置於下標0
處。同樣,我們增加了endMillis
,來獲取一個額外的資料點。
以下是時間結果(左側是問題規模,右側是執行時間,單位為毫秒):
4000, 14
8000, 35
16000, 150
32000, 604
64000, 2518
128000, 11555
圖 5.1 展示了執行時間和問題規模的圖形。
圖 5.1:分析結果:在ArrayList
開頭新增n
個元素的執行時間和問題規模
請記住,該圖上的直線並不意味著該演算法是線性的。相反,如果對於任何指數k
,執行時間與n ** k
成正比,我們預計會看到斜率為k
的直線。在這種情況下,我們預計,n
次新增的總時間與n ** 2
成正比,所以我們預計會有一條斜率為2
的直線。實際上,估計的斜率是1.992
,非常接近。恐怕假資料才能做得這麼好。
5.2 分析LinkedList
方法的效能
在以前的練習中,你還分析了,在LinkedList
頭部新增新元素的效能。根據我們的分析,我們預計每個add
都要花時間,因為在一個連結串列中,我們不必轉移現有元素;我們可以在頭部新增一個新節點。所以我們預計n
次新增的總時間是線性的。
這是一個解決方案:
public static void profileLinkedListAddBeginning() {
Timeable timeable = new Timeable() {
List<String> list;
public void setup(int n) {
list = new LinkedList<String>();
}
public void timeMe(int n) {
for (int i=0; i<n; i++) {
list.add(0, "a string");
}
}
};
int startN = 128000;
int endMillis = 2000;
runProfiler("LinkedList add beginning", timeable, startN, endMillis);
}
我們只做了一些修改,將ArrayList
替換為LinkedList
並調整startN
和endMillis
,來獲得良好的資料範圍。測量結果比上一批資料更加嘈雜;結果如下:
128000, 16
256000, 19
512000, 28
1024000, 77
2048000, 330
4096000, 892
8192000, 1047
16384000, 4755
圖 5.2 展示了這些結果的圖形。
圖 5.2:分析結果:在LinkedList
開頭新增n
個元素的執行時間和問題規模
並不是一條很直的線,斜率也不是正好是1
,最小二乘擬合的斜率是1.23
。但是結果表示,n
次新增的總時間至少近似於O(n)
,所以每次新增都是常數時間。
5.3 LinkedList
的尾部新增
在開頭新增元素是一種操作,我們期望LinkedList
的速度快於ArrayList
。但是為了在末尾新增元素,我們預計LinkedList
會變慢。在我的實現中,我們必須遍歷整個列表來新增一個元素到最後,它是線性的。所以我們預計n
次新增的總時間是二次的。
但是不是這樣。以下是程式碼:
public static void profileLinkedListAddEnd() {
Timeable timeable = new Timeable() {
List<String> list;
public void setup(int n) {
list = new LinkedList<String>();
}
public void timeMe(int n) {
for (int i=0; i<n; i++) {
list.add("a string");
}
}
};
int startN = 64000;
int endMillis = 1000;
runProfiler("LinkedList add end", timeable, startN, endMillis);
}
這裡是結果:
64000, 9
128000, 9
256000, 21
512000, 24
1024000, 78
2048000, 235
4096000, 851
8192000, 950
16384000, 6160
圖 5.3 展示了這些結果的圖形。
圖 5.2:分析結果:在LinkedList
末尾新增n
個元素的執行時間和問題規模
同樣,測量值很嘈雜,線不完全是直的,但估計的斜率為1.19
,接近於在頭部新增元素,而並不非常接近2
,這是我們根據分析的預期。事實上,它接近1
,這表明在尾部新增元素是常數元素。這是怎麼回事?
5.4 雙連結串列
我的連結串列實現MyLinkedList
,使用單連結串列;也就是說,每個元素都包含下一個元素的連結,並且MyArrayList
物件本身具有第一個節點的連結。
但是,如果你閱讀LinkedList
的文件,網址為 http://thinkdast.com/linked,它說:
List
和Deque
介面的雙連結串列實現。[...] 所有的操作都能像雙向列表那樣執行。索引該列表中的操作將從頭或者尾遍歷列表,使用更接近指定索引的那個。
如果你不熟悉雙連結串列,你可以在 http://thinkdast.com/doublelist 上閱讀更多相關資訊,但簡稱為:
- 每個節點包含下一個節點的連結和上一個節點的連結。
-
LinkedList
物件包含指向列表的第一個和最後一個元素的連結。
所以我們可以從列表的任意一端開始,並以任意方向遍歷它。因此,我們可以在常數時間內,在列表的頭部和末尾新增和刪除元素!
下表總結了ArrayList
,MyLinkedList
(單連結串列)和LinkedList
(雙連結串列)的預期效能:
MyArrayList |
MyLinkedList |
LinkedList |
|
---|---|---|---|
add (尾部) |
1 | n | 1 |
add (頭部) |
n | 1 | 1 |
add (一般) |
n | n | n |
get /set
|
1 | n | n |
indexOf / lastIndexOf
|
n | n | n |
isEmpty /size
|
1 | 1 | 1 |
remove (尾部) |
1 | n | 1 |
remove (頭部) |
n | 1 | 1 |
remove (一般) |
n | n | n |
5.5 結構的選擇
對於頭部插入和刪除,雙連結串列的實現優於ArrayList
。對於尾部插入和刪除,都是一樣好。所以,ArrayList
唯一優勢是get
和set
,連結串列中它需要線性時間,即使是雙連結串列。
如果你知道,你的應用程式的執行時間取決於get
和set
元素的所需時間,則ArrayList
可能是更好的選擇。如果執行時間取決於在開頭或者末尾附加新增和刪除元素,LinkedList
可能會更好。
但請記住,這些建議是基於大型問題的增長級別。還有其他因素要考慮:
- 如果這些操作不佔用你應用的大部分執行時間 - 也就是說,如果你的應用程式花費大部分時間來執行其他操作 - 那麼你對
List
實現的選擇並不重要。 - 如果你正在處理的列表不是很大,你可能無法獲得期望的效能。對於小型問題,二次演算法可能比線性演算法更快,或者線性可能比常數時間更快。而對於小型問題,差異可能並不重要。
- 另外,別忘了空間。到目前為止,我們專注於執行時間,但不同的實現需要不同的空間。在
ArrayList
中,這些元素並排儲存在單個記憶體塊中,所以浪費的空間很少,並且計算機硬體通常在連續的塊上更快。在連結串列中,每個元素需要一個節點,帶有一個或兩個連結。連結佔用空間(有時甚至超過資料!),並且節點分散在記憶體中,硬體效率可能不高。
總而言之,演算法分析為資料結構的選擇提供了一些指南,但只有:
- 你的應用的執行時間很重要,
- 你的應用的執行時間取決於你選擇的資料結構,以及,
- 問題的規模足夠大,增長級別實際上預測了哪個資料結構更好。
作為一名軟體工程師,在較長的職業生涯中,你幾乎不必考慮這種情況。
相關文章
- 資料結構-單連結串列、雙連結串列資料結構
- 【資料結構】雙連結串列(c++)資料結構C++
- 深入理解Redis 資料結構—雙連結串列Redis資料結構
- 實戰PHP資料結構基礎之雙連結串列PHP資料結構
- 基本資料結構實現--雙連結串列【含測試程式碼】資料結構
- 看得見的資料結構Android版之雙連結串列篇資料結構Android
- Linux核心之資料雙連結串列Linux
- 單雙連結串列
- js在Node.js下實現單連結串列與雙連結串列結構Node.js
- 資料結構-連結串列資料結構
- 資料結構 - 連結串列資料結構
- 連結串列-資料結構資料結構
- 資料結構--連結串列資料結構
- 資料結構—連結串列資料結構
- 大話資料結構-思維導圖資料結構
- 4-雙連結串列的操作
- 結構化思維
- JavaScript資料結構--連結串列JavaScript資料結構
- 資料結構之「連結串列」資料結構
- 資料結構之連結串列資料結構
- 前端資料結構--線性結構-連結串列前端資料結構
- 圖解雙連結串列(Java實現)圖解Java
- Java版-資料結構-連結串列Java資料結構
- JavaScript資料結構 之 連結串列JavaScript資料結構
- 資料結構學習--連結串列資料結構
- 資料結構:跳躍連結串列資料結構
- js資料結構--連結串列(likedList)JS資料結構
- 資料結構基礎 連結串列資料結構
- 資料結構之連結串列【上】資料結構
- 資料結構之連結串列操作資料結構
- 資料結構——雙向連結串列資料結構
- 資料結構04——單連結串列資料結構
- JAVA資料結構之連結串列Java資料結構
- 資料結構之單連結串列資料結構
- 資料結構:雙向連結串列資料結構
- JS資料結構(四)——連結串列JS資料結構
- Redis資料結構—連結串列與字典的結構Redis資料結構
- 迴圈雙連結串列的簡單操作