由于一些原因，博主以后的博客更新在csdn，大家可以粉我：http://blog.csdn.net/hanjing_1995
vim是从VI发展而来的一个文本编辑器，功能更强大。而vim.tiny是vim的精简版，所以，安装vim势在必行。同时Windows下程序员很多都很喜欢Source Insight这个工具来看代码，各种语法高亮看着很舒服。vim作为为程序员打造的编辑器，没有道理不可以通过配置让程序员舒服地编辑代码，但是新手通常很难将其配置成顺手顺眼的环境。下面的方法可以通过极其简单的方式把vim配置得跟Source Insight一样炫
我们假设升序排序 排序序列为2000，2001，3000，4000 遍历序列，取出最小值min，最大值max，开辟一个空间为max—min的空间大小的数组，遍历数组a将排序序列a中的每个元素出现的次数放在数组count的每个a[i]-min处。就是说，2000出现一次了，把次数1放在2000-2000位置处，2001出现的次数放在2001-2000位置上，3000出现的次数放在3000-2000位置上，4000出现的次数放在4000-2000位置上，5000出现的次数放在5000-2000位置上。后面遇到相同元素了，那将该位置处的次数加加就统计出每个元素的次数了。 这样，对于数组count，里面放的元素就是序列a的次数，count的下标就是a的元素。 往出来取元素的过程，就是拿出排序好的序列的过程。每次从数组count里拿出下标，放回去就可以了。如果此时count中的元素大于1，说明排序序列a有重复元素，那我们多拿几次就行了。
过去的几十年间，大量的编程语言被发明、被替换、被修改 或组合在一起。每种语言总在争论中诞生，又在进化中消亡。而这些语言的的创造者，无一不是编程世界中的标志性人物，高举探索的旗帜不断前行。敬仰之情促使 了这篇文章的诞生，这里收集并分享了这五十年来最成功、最流行的十二门编程语言和它们的创造者的故事。1、Java 的起源1990 年代初，任职于 Sun 公司的詹姆斯·高斯林等人开始开发 Java 语言
快速排序的挖坑法与prev、cur法，我们在上一篇博客的第6个排序中讲的非常详细，http://10740184.blog.51cto.com/10730184/1774508【数据结构】常用排序算法（包括：选择排序，堆排序，冒泡排序，选择排序，快速排序，归并排序） 有兴趣的话，相信聪明的你，一看就会秒懂快速排序的思想。 下面，我们将快速排序优化： 1、三数取中来优化快速排序
Linux中的Find指令是Linux系统中很重要也是很棒的指令之一，功能非常得强大。下面我根据实例代码向大家分享find指令。由于博客上无法贴出Linux代码，我就在截图中体现出代码，以及效果。 我先自己创建了文件名的test.c的普通文件，我们用指令mkdir,以及ls查看已经创建了test.c.
直接插入排序： 在序列中，假设升序排序 1）从0处开始。 1）若走到begin =3处，将begin处元素保存给tmp，比较tmp处的元素与begin--处元素大小关系，若begin处<begin-1处，将begin-1处元素移动到begin；若大于，则不变化。再用tmp去和begin--处的元素用同样的方法去作比较，直至begin此时减少到数组起始坐标0之前结束。 3）以此类推，依次走完序列。
用两个栈实现一个队列，这个问题与“两个队列实现一个栈”原理非常的相似。只要你明白了”两个队列实现一个栈“的原理，相信聪明的你，就会明白这个问题只是它的变种，所有的异或就会迎刃而解的。这里大家可以参考我的博客http://10740184.blog.51cto.com/10730184/1763006
我们先给出之前我看过的腾讯公司的一道笔试题，引出位图BitMap。 给40亿个不重复的无符号整数，没排过序。给一个无符号整数，如何快速判断一个数是否在这40亿个数中。 这个问题怎么解决呢？ 1）将40亿数据保存起来（保存在数组、链表、树中），再和该数判断是否相等。 那我们思考一下需要多少内存： 2）借助位图BitMap解决。
从尾到头打印单链表void FromTailToHeadPrint(SListNode*& head) { stack<SListNode*> s; SListNode* cur = head; &n
C语言：输入一个整数，输出该数二进制表示中1的个数。
现哈希表时，我们常见的方法是线性探测、二次探测，这两个算法也很简单。若有兴趣，可以查看我的博客。但是，这两个算法有一个共同点就是：空间利用率低。为什么这么说呢？线性探测、二次探测的高效性很大程度上要取决于它的载荷因子，载荷因子即：存放关键字个数/空间大小。
构造哈希表常用的方法是： 除留余数法--取关键值被某个不大于散列表长m的数p除后的所得的余数为散列地址。HashKey= Key % P。 直接定址法--取关键字的某个线性函数为散列地址HashKey= Key 或 HashKey= A*Key + BA、B为常数。 我在这里主要使用一下除留余数法Hash(key) =Key%P，（P这里是哈希表的长度）p最好是素数考虑降低哈希冲突的原因，我并没有在这上面过于追究此处哈希表长度10，见线性探测图。 哈希表经常遇到的一个问题就是哈希冲突。 哈希冲突是什么呢？哈希冲突指的是：不同的关键字经过相同的哈希函数映射到相同的的哈希地址处。 要解决哈希冲突闭散列方法主要有两个：线性探测与二次探测。 在这里，我将线性探测的原理用下图表述：
静态顺序表的实现（包括头插、头删、尾插、尾删、查找、删除指定位置）
假若将一个序列升序排序好，那么我们来考虑最大堆还是最小堆来排序。假若是最小堆的话，堆的顶端必定是堆中的最小值，这样貌似可以。但是，如果是它的（一边或）子树左子树的节点数据值大于（一边或）右子树的节点数据值，直接打印肯定是错误的，而且对于此时的堆我们也无法操控来调整好正确的顺序了。 那我们换成最大堆来实现升序想，当我们把序列调整成为最大堆后，最大堆顶端的数据值是最大的，然后我们将这个最大值与堆的最后一个叶子节点值来进行交换，再将交换后的顶端值进行调整，换到合适的位置处……重复这样的工作，注意：进行第2次交换就要将顶端元素值与倒数第2个节点元素值交换了，且调整顶端元素位置也不能一直调整到size-1处。（因为：size-1处的值已经是最大）
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
