目录
- 0.什么是跳表？
- 1.SkipList的优化思路
- 2.SkipList的效率如何保证？
- 3.SkipList实现
- 4.SkipList VS 平衡搜索树 && Hash
0.什么是跳表？
- SkipList本质上也是一种查找结构，用于解决算法中的查找问题，跟平衡搜索树和哈希表的价值是一样的，可以作为key或者key/value的查找模型
- SkipList，是在有序链表的基础上发展起来的
- 如果是一个有序的链表，查找数据的时间复杂度是 O ( N ) O(N) O(N)
1.SkipList的优化思路
-
假如每相邻两个节点升高一层，增加一个指针，让指针指向下下个节点，如下图b所示
- 这样所有新增加的指针连成了一个新的链表，但它包含的节点个数只有原来的一半
- 由于新增加的指针，我们不再需要与链表中每个节点逐个进行比较了，需要比较的节点数大概只有原来的一半
-
以此类推，可以在第二层新产生的链表上，继续为每相邻的两个节点升高一层，增加一个指针，从而产生第三层链表，这样搜索效率就进一步提高了，如下图c
-
SkipList正是受这种多层链表的想法的启发而设计出来的
-
实际上，按照上面生成链表的方式，上面每一层链表的节点个数，是下面一层的节点个数的一半，这样查找过程就非常类似二分查找，使得查找的时间复杂度可以降低到 O ( l o g 2 N ) O(log_2N) O(log2N)
-
但是这个结构在插入删除数据的时候有很大的问题
-
插入或者删除一个节点之后，就会打乱上下相邻两层链表上节点个数严格的2:1的对应关系
-
如果要维持这种对应关系，就必须把新插入的节点后面的所有节点(也包括新插入的节点)重新进行调整，这会让时间复杂度重新蜕化成O(n)
-
-
SkipList的设计为了避免这种问题，做了一个大胆的处理
-
不再严格要求对应比例关系，而是插入一个节点的时候随机出一个层数
-
这样每次插入和删除都不需要考虑其他节点的层数， 这样就好处理多了
-
2.SkipList的效率如何保证？
-
SkipList插入一个节点时随机出一个层数，听起来这么随意，如何保证搜索时的效率呢？
-
首先要细节分析的是这个随机层数是怎么来的
- 一般跳表会设计一个最大层数maxLevel的限制
- 其次会设置一个多增加一层的概率p
- 计算这个随机层数的伪代码如下图：
-
**参考：**在Redis的SkipList实现中，这两个参数的取值为：
p = 1/4; maxLevel = 32; -
根据前面
randomLevel()的伪代码，产生越高的节点层数，概率越低- 节点层数至少为1，而大于1的节点层数，满足一个概率分布
- 节点层数恰好等于1的概率为 1 − p 1-p 1−p
- 节点层数大于等于2的概率为 p p p，而节点层数恰好等于2的概率为 p ∗ ( 1 − p ) p*(1-p) p∗(1−p)
- 节点层数大于等于3的概率为 p 2 p^2 p2，而节点层数恰好等于3的概率为 p 2 ∗ ( 1 − p ) p^2*(1-p) p2∗(1−p)
- 节点层数大于等于4的概率为 p 3 p^3 p3，而节点层数恰好等于4的概率为 p 3 ∗ ( 1 − p ) p^3*(1-p) p3∗(1−p)
-
因此，一个节点的平均层数(即包含的平均指针数目)，计算如下：
- 当 p = 1 / 2 p=1/2 p=1/2时，每个节点所包含的平均指针数目为2
- 当
p
=
1
/
4
p=1/4
p=1/4时，每个节点所包含的平均指针数目为1.33
-
SkipList的平均时间复杂度为： O ( l o g N ) O(logN) O(logN)，
3.SkipList实现
- 插入结点的关键是找到这个位置的每一层前一个结点
- 比它小，向下走
- 比它大，向右走
struct SkipListNode
{
int _val;
vector<SkipListNode*> _nextV;
SkipListNode(int val, int level)
: _val(val)
, _nextV(level, nullptr)
{}
};
class Skiplist
{
typedef SkipListNode Node;
public:
Skiplist()
{
srand(time(nullptr));
_head = new Node(-1, 1); // 头节点，层数是1
}
bool Search(int target)
{
Node* cur = _head;
int level = _head->_nextV.size() - 1;
while (level >= 0)
{
if (cur->_nextV[level] && target > cur->_nextV[level]->_val)
{
// 目标值比下一个结点值大，向右走
cur = cur->_nextV[level];
}
else if (!cur->_nextV[level] || target < cur->_nextV[level]->_val)
{
// 下一个结点是空(尾) || 目标值比下一个节点值要小，向下走
level--;
}
else
{
return true;
}
}
return false;
}
void Add(int num)
{
vector<Node*> preV = FindPrevNode(num);
int n = RandomLevel();
Node* newnode = new Node(num, n);
// 如果n超过当前最大的层数，那就升高一下_head的层数
if (n > _head->_nextV.size())
{
_head->_nextV.resize(n, nullptr);
preV.resize(n, _head);
}
// 链接前后结点
for (size_t i = 0; i < n; i++)
{
newnode->_nextV[i] = preV[i]->_nextV[i];
preV[i]->_nextV[i] = newnode;
}
}
bool Erase(int num)
{
vector<Node*> preV = FindPrevNode(num);
// 第一层下一个不是val，则val不在表中
if (!preV[0]->_nextV[0] || preV[0]->_nextV[0]->_val != num)
{
return false;
}
Node* del = preV[0]->_nextV[0];
// del结点每一层前后指针链接起来
for (size_t i = 0; i < del->_nextV.size(); i++)
{
preV[i]->_nextV[i] = del->_nextV[i];
}
delete del;
// 如果删除最高层结点，把头节点的层数也降一下
// 可以稍微提高查找效率
int i = _head->_nextV.size() - 1;
while (i >= 0)
{
if (!_head->_nextV[i])
{
i--;
}
else
{
break;
}
}
_head->_nextV.resize(i + 1);
return true;
}
// SkipList精髓
vector<Node*> FindPrevNode(int num)
{
Node* cur = _head;
int level = _head->_nextV.size() - 1;
// 插入位置每一层前一个结点指针
vector<Node*> preV(level + 1, _head);
while (level >= 0)
{
if (cur->_nextV[level] && num > cur->_nextV[level]->_val)
{
// 目标值比下一个结点值大，向右走
cur = cur->_nextV[level];
}
else if (!cur->_nextV[level] || num <= cur->_nextV[level]->_val)
{
preV[level--] = cur;
}
}
return preV;
}
// v1.0 C
int RandomLevel()
{
size_t level = 1;
// rand() / RAND_MAX -> [0, 1]
while (rand() <= RAND_MAX * _p && level <= _maxLevel)
{
level++;
}
return level;
}
// v2.0 C++
// int RandomLevel()
// {
// static std::default_random_engine generator(std::chrono::system_clock::now().time_since_epoch().count());
// static std::uniform_real_distribution<double> distribution(0.0, 1.0);
// size_t level = 1;
// while (distribution(generator) <= _p && level < _maxLevel)
// {
// ++level;
// }
// return level;
// }
private:
Node* _head;
size_t _maxLevel = 32;
double _p = 0.5;
};
4.SkipList VS 平衡搜索树 && Hash
- SkipList相比平衡搜索树(AVL树和红黑树)，都可以做到遍历数据有序，时间复杂度也差不多
- SkipList的优势：
- SkipList实现简单，容易控制
- 平衡树增删查改遍历都更复杂
- SkipList的额外空间消耗更低
- 平衡树节点存储每个值有三叉链，平衡因子/颜色等消耗
- SkipList中 p = 1 / 2 p=1/2 p=1/2时，每个节点所包含的平均指针数目为2
- SkipList中 p = 1 / 4 p=1/4 p=1/4时，每个节点所包含的平均指针数目为1.33
- SkipList实现简单，容易控制
- SkipList的优势：
- SkipList相比哈希表而言，就没有那么大的优势了
- SkipList劣势：
- 哈希表平均时间复杂度是 O(1)，比SkipList快
- 哈希表空间消耗略多一点
- SkipList优势：
- 遍历数据有序
- SkipList空间消耗略小一点，哈希表存在链接指针和表空间消耗
- 哈希表扩容有性能损耗
- 哈希表在极端场景下哈希冲突高，效率下降厉害，需要红黑树补足接力
- SkipList劣势：
