第一个关键字直接插入，第二个关键字要做1次探测，所以类推n个关键词要做0+1+2+...+(n-1) = n*(n-1) / 2 答案是D

堆排序的时间，主要由建立初始堆和反复重建堆这两部分的时间开销构成，它们均是通过调用Heapify实现的。时间复杂度O(n*logn) 如果从底部最后的父节点开始建堆，那么我们可以大概算一下： 假如有N个节点，那么高度为H=logN，最后一层每个父节点最多只需要下调1次，倒数第二层最多只需要下...

A. 希尔排序： 希尔排序是插入排序的一种优化，适用于中等规模的数据排序。 然而，对于10TB这样的海量数据，希尔排序的内存需求可能过高，因为它通常需要在内存中处理大部分数据。 因此，希尔排序不适合用于10TB数据的排序。 B. 堆排序： 堆排序是一种基...

答案 D 中的二路归并排序，第一趟排序结束都可以得到若干个有序子序列，而此时的序列中并没有两两元素有序排列。插入排序在每趟排序结束后能保证前面的若干元素是有序的，而此时第二趟排序后，序列的前三个元素是有序的，符合其特点。

归并排序是一种分而治之的算法，它在排序过程中需要额外的存储空间来合并子数组。在最坏的情况下，归并排序需要与原数组同样大小的额外空间。相比之下，插入排序是一种原地排序算法，它只需要非常有限的额外空间（通常是几个变量）。因此，这个选项不能作为选择归并排序的理由。 归并排序的运行效...

找出待排序的数组中最大数的位数； 从最低位开始，依次进行一次排序。具体排序过程中，根据位数将该位上的数字相同的元素分到同一个桶中； 按照桶的顺序，依次将桶中的元素合并起来。

在小根堆中，当根节点（即堆顶）被删除后，为了保持堆的性质，通常会将堆的最后一个元素（即原堆中的最后一个节点）移动到根节点的位置。这是因为堆是一种完全二叉树，其所有层都尽可能地被节点填满，除了可能的最后一层，且最后一层的节点都尽可能地靠左排列。因此，删除根节点后，将最后一个元素放到根节点位置是逻...

堆化步骤： 选择非叶子节点：从最后一个非叶子节点开始，向数组的开始位置遍历。 比较与交换：对于当前节点，与其子节点（左子节点和右子节点）中的较大者进行比较。如果当前节点的值小于其子节点中的较大值，则进行交换。 递归堆化：对于交换后可能破坏的堆性质（即新的当前节点可能小于其子节点），递...

顺序存储：数据元素在内存中连续存放，可以通过下标直接访问任何数据元素。快速排序算法中，频繁需要访问数组中的元素以及通过元素间的位置关系来进行元素的交换，顺序存储结构能够高效地支持这些操作。 散列存储（哈希存储）：主要用于快速查找，通过哈希函数将关键字映射到表中的某个位置以加快...

快排进行一趟后，至少有一个元素会归位。 归位的意思是有一个元素会放到该放的位置上，（该元素左边的元素都比他小，右边的元素都比他大） 看有没有元素归位就行了。

其基本思想是将待排序的数组元素按下标的一定增量分组，对每组使用直接插入排序算法排序；随着增量逐渐减少，每组包含的元素越来越多，当增量减至1时，整个文件恰被分成一组，算法便终止。希尔排序是非稳定排序算法。

仔细观察， 1,6, 8是递增的.也就是说第一次排序间隔五个数。

时间复杂度： 两者在最坏情况下的时间复杂度均为O(n^2)，因为虽然折半插入排序减少了查找次数，但元素移动的次数并未减少。 在平均情况下，折半插入排序由于减少了查找次数，通常会比直接插入排序稍快一些。 空间复杂度： 两者均为O(1)，即它们都是原地排序算法，不...

A. 存储效率：存储效率通常指的是存储空间的利用率。虽然堆积现象可能会浪费一些空间（因为冲突可能需要额外的空间来解决），但它不是存储效率的直接衡量标准。存储效率更多地与哈希表的大小、元素的分布以及散列函数的设计有关。因此，A选项不是直接受堆积现象影响的。 B. 散列函数：...

我们先构造出插入所有元素后的散列表。 可以计算出查找关键字22, 43, 15成功需要探测的次数，如下图所示。 查找22的探测次数为1： 查找43的探测次数为2： 查找15的探测次数为3： 平均查找长度为求查找长度的数学期望： ASL成功=(3+2+1)/3=2

根据散列函数 H(key) = key %7 以及线性再探测，构造出散列表，如下图 2. 计算失败的平均查找长度 计算失败，可以转换理解，就是在已经构造好的散列表上，我们再去插入一个新的值需要比较多少次。 比如，现在我再插入一个数 21，那么理论上应该存放在地址 0 的位置，但是地址 0...

这里利用了栈先进后出的特性，例如函数A中执行过程中嵌套了函数B（也可以是自身），那么这个时候先要把函数A中的一些变量记录下来，就是压入栈中，然后再调用函数B，等函数B执行完毕返回后，回到函数A继续执行，此时将栈中保存的函数A的变量弹出。II正确。