哈希表构建三维模型（“创建一个文本节点”是要做什么）

本文目录

• “创建一个文本节点”是要做什么
• 一文掌握“倒排索引”创建方法
• 若线性表最常用的操作是存取第i个元素及其直接前驱的值，则采用_____存储方式节省时间
• 为什么要进行知识建模,知识建模的方法是什么
• 高级数据结构的目录
• 生物信息学算法导论的目录

“创建一个文本节点”是要做什么

1、DOM结构——两个节点之间可能存在哪些关系以及如何在节点之间任意移动。
document.documentElement 返回文档的根节点《html》
document.body 《body》
document.activeElement 返回当前文档中被击活的标签节点(ie)
event.fromElement 返回鼠标移出的源节点(ie)
event.toElement 返回鼠标移入的源节点(ie)
event.srcElement 返回激活事件的源节点(ie)
event.target 返回激活事件的源节点(firefox)
当前对象为node
返回父节点：node.parentNode, node.parendElement,
返回所有子节点：node.childNodes（包含文本节点及标签节点）,node.children
返回第一个子节点：node.firstChild
返回最后一个子节点： node.lastChild
返回同属上一个子节点：node.nextSibling
返回同属下一个子节点：node.previousSibling
parentNode和parentElement功能一样，childNodes和children功能一样。但是parentNode和
childNodes是符合W3C标准的，可以说比较通用。而另外两个只是IE支持，不是标准，Firefox就不支持
,所以大家只要记得有parentElement和children就行了
2、DOM操作——怎样添加、移除、移动、复制、创建和查找节点。
（1）创建新节点
createDocumentFragment() //创建一个DOM片段
createElement() //创建一个具体的元素
createTextNode() //创建一个文本节点
（2）添加、移除、替换、插入
appendChild()
removeChild()
replaceChild()
insertBefore()
（3）查找
getElementsByTagName() //通过标签名称
getElementsByName() //通过元素的Name属性的值
getElementById() //通过元素Id，唯一性
3、事件——怎样使用事件以及IE和DOM事件模型之间存在哪些主要差别。
（1）冒泡型事件：事件按照从最特定的事件目标到最不特定的事件目标(document对象)的顺序触发。
IE 5.5: div -》 body -》 document
IE 6.0: div -》 body -》 html -》 document
Mozilla 1.0: div -》 body -》 html -》 document -》 window
（2）捕获型事件(event capturing)：事件从最不精确的对象(document 对象)开始触发，然后到最精确(也可以在窗口级别捕获事件，不过必须由开发人员特别指定)。
（3）DOM事件流：同时支持两种事件模型：捕获型事件和冒泡型事件，但是，捕获型事件先发生。两种事件流会触及DOM中的所有对象，从document对象开始，也在document对象结束。
DOM事件模型最独特的性质是，文本节点也触发事件(在IE中不会)。
4、XMLHttpRequest——这是什么、怎样完整地执行一次GET请求、怎样检测错误。
XMLHttpRequest 对象提供了在网页加载后与服务器进行通信的方法。
《script type="text/javascript"》
***隐藏网址***
functionloadXMLDoc(url){
***隐藏网址***
if(window.XMLHttpRequest){ //code for all new browsers
***隐藏网址***
}elseif(window.ActiveXObject){ //code for IE5 and IE6
***隐藏网址***
}
***隐藏网址***
***隐藏网址***
***隐藏网址***
***隐藏网址***
}else{
alert("Your browser does not support XMLHTTP.");
}
}
functionstate_Change(){
***隐藏网址***
***隐藏网址***
//...our code here...
}else{
alert("Problem retrieving XML data");
}
}
}
《/script》
5、严格模式与混杂模式——如何触发这两种模式，区分它们有何意义。
在标准模式中，浏览器根据规范呈现页面；
在混杂模式中，页面以一种比较宽松的向后兼容的方式显示。
浏览器根据DOCTYPE是否存在以及使用的哪种DTD来选择要使用的呈现方法。如果XHTML文档包含形式完整的DOCTYPE，那么它一般以标准模式
呈现。对于HTML
4.01文档，包含严格DTD的DOCTYPE常常导致页面以标准模式呈现。包含过渡DTD和URI的DOCTYPE也导致页面以标准模式呈现，但是有过
渡DTD而没有URI会导致页面以混杂模式呈现。DOCTYPE不存在或形式不正确会导致HTML和XHTML文档以混杂模式呈现。
6、盒模型——外边距、内边距和边框之间的关系，IE 8以下版本的浏览器中的盒模型有什么不同。
一个元素盒模型的层次从内到外分别为：内边距、边框和外边距
IE8以下浏览器的盒模型中定义的元素的宽高不包括内边距和边框
7、块级元素与行内元素——怎么用CSS控制它们、它们怎样影响周围的元素以及你觉得应该如何定义它们的样式。
块级元素，用CSS中的display:inline;属性则变为行内元素
行内元素，用CSS中的display:block;属性则变为块级元素
影响：周围元素显示在同一行或换行显示，根据具体情况调整样式
8、浮动元素——怎么使用它们、它们有什么问题以及怎么解决这些问题。
需要浮动的元素可使用CSS中float属性来定义元素的浮动位置，left：往左浮动，right：往右浮动
浮动元素引起的问题：
（1）父元素的高度无法被撑开，影响与父元素同级的元素
（2）与浮动元素同级的非浮动元素会跟随其后
（3）若非第一个元素浮动，则该元素之前的元素也需要浮动，否则会影响页面显示的结构
解决方法：
使用CSS中的clear:both;属性来清除元素的浮动可解决2、3问题，对于问题1，添加如下样式，给父元素添加clearfix样式：
.clearfix:after{content: ".";display: block;height: 0;clear: both;visibility: hidden;}
.clearfix{display: inline-block;} /* for IE/Mac */
9、HTML与XHTML——二者有什么区别，你觉得应该使用哪一个并说出理由。
主要区别：
XHTML 元素必须被正确地嵌套
XHTML 元素必须被关闭，空标签也必须被关闭，如 《br》 必须写成 《br /》
XHTML 标签名必须用小写字母
XHTML 文档必须拥有根元素
XHTML 文档要求给所有属性赋一个值
XHTML 要求所有的属性必须用引号""括起来
XHTML 文档需要把所有 《 、》、& 等特殊符号用编码表示
XHTML 文档不要在注释内容中使“--”
XHTML 图片必须有说明文字
XHTML 文档中用id属性代替name属性
10、JSON——它是什么、为什么应该使用它、到底该怎么使用它，说出实现细节来。
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。
JSON建构于两种结构：
“名称/值”对的集合（A collection of name/value
pairs）。不同的语言中，它被理解为对象（object），纪录（record），结构（struct），字典（dictionary），哈希表
（hash table），有键列表（keyed list），或者关联数组 （associative array）。
值的有序列表（An ordered list of values）。在大部分语言中，它被理解为数组（array）。

一文掌握“倒排索引”创建方法

众所周知，“索引”是搜索引擎中最重要的核心技术之一，是“缩小搜索范围，以提高结果定位效率”的技术担当。
按照不同划分标准，索引有多种分类方式，仅常用类型也不止4种之多，而其中最为关键的则是“倒排索引”技术。

本文就是一篇，介绍“倒排索引创建方法”的文章。

单词—文档矩阵

表达两者包含关系的概念模型；
文档
文本形式的存储对象，包括Word、PDF、html、XML等不同格式的文件，以及短信、微博等内容；

文档集合

若干文档的集合，如海量网页、大量电子邮件等；

文档编号

搜索引擎内部的文档集合中，每个文档所被赋予的区别于其他文档的唯一的内部编号，常用DocID表示；

单词

搜索引擎的索引单位；

单词词典

文档集合中出现过的所有单词构成的字符串集合；记载着某个单词对应的倒排列表在倒排文件中的位置信息；

单词编号

搜索引擎内部的单词词典中，每个单词所被赋予的区别于其他单词的唯一内部编号；

倒排列表

记载“出现过某个单词的所有文档列表”及“文档中单词位置信息”的倒排项的集合；

倒排文件

顺序存储所有单词的倒排列表的物理文件；

倒排索引

由单词词典和倒排文件组成的，实现单词—文档矩阵的一种具体存储形式，是单词到文档映射关系的最佳实现方式（可以根据单词快速获取包含该单词的文档列表）。
比如，针对如下文档集合
建立倒排索引的步骤：
1、用分词系统将文档自动切分成单词序列，每个文档就转换为由单词序列构成的数据流；

2、对每个不同单词赋予唯一的单词编号（ID），并记录每个单词对应的文档频率（文档集合中，包含某个单词的文档数量，占文档总数量的比率）、包含该单词的对应文档编号（DocID）、该单词在各对应文档中的词频（TF）（在某个文档中出现的次数）、该单词出现在某个文档中的位置（POS）等；

3、得到的倒排索引结果如下：

含义解读：以单词“跳槽”为例，其单词编号为4，文档频率为2，代表整个文档集合中有两个文档包含这个单词，对应的倒排列表为｛（1；1；《4》）,（4;1;《4》）｝,其含义为在文档1和文档4中出现过这个单词，单词频率都为1，单词“跳槽”出现在两个文档中的位置都是4，即文档中第四个单词是“跳槽”。
单词词典

记载着某个单词对应的倒排列表在倒排文件中的位置信息，支持搜索中基于查询词的倒排列表呈现。

对于包含成千上万个单词的大文档集合来说，需要“基于高效数据结构”的词典构建和查找方式，“哈希加链表”和“树形词典”就是这类数据结构的代表。

A. 哈希加链表词典结构

哈希加链表：由“哈希表”及“冲突链表”组成，其中哈希表是主体。每个哈希表保存一个指针，指向冲突链表；每个冲突链表，由相同哈希值的单词组成；而有相同哈希值的一组单词，被称作一次冲突。

词典建立过程：首先，对解析新文档过程中出现的单词T，利用哈希函数获得哈希值；然后，根据哈希值，读取对应的哈希表中的指针，并根据指针指向找到对应的冲突链表，而对冲突链表中不存在的单词，将其作为首次出现单词做“加入冲突链表”处理。随着文档解析完毕，相应的词典便构建起来。

查询响应过程：与词典建立过程类似，区别在于，对于词典中未包含单词不做添加处理。

B. 树形词典结构

树形词典结构（又叫B树或B+树），由中间节点和最底层叶子节点构成，是一种高效的层级查询结构。

它需要字典项按照大小排序，中间节点指出一定顺序范围的词典项目存储在哪个子树中，根据词典项比较大小进行导航；最底层叶子节点存储单词地址信息，根据地址便可以提取单词字符串。

倒排列表

我们上面讲了，倒排列表是倒排索引项（“某个单词-文档”的一维矩阵）的集合，存储着所有单词，及包含每个单词的相关文档编号、词频、位置等信息。

而在实际搜索引擎中，为了便于压缩，常以文档编号差值（D-Gap）（倒排列表中相邻两个倒排索引项文档编号的差值）取代实际的文档编号，以保证倒排列表中后出现文档编号大于前者。因此，文档编号差值常是大于0的整数，比如，对应原始文档编号 187、196、199，其编号差值可能为 187、9、3。

1、两遍文档遍历法

两遍文档遍历，即为两遍文档扫描，创建过程完全依赖在内存中进行。

第一遍文档遍历

第一遍扫描旨有两个作用：首先，获取全局的统计数据（文档集合包含的文档个数N，文档集合包含的不同单词个数M、每个单词在多少个文档中出现过的信息DF、所有单词DF值相加得到的所需内存大小），据以分配存储空间；其次，建立单词对应倒排列表在内存中的位置信息（根据每个单词的DF值，将存储区划分成不同大小的片段，不同的单词通过指针对应着其所属内存片段的起始和终止位置）。

第一遍扫描之后，便为第二次扫描做好了资源准备工作。

第二遍文档遍历

第二遍文档遍历正式建立每个单词的倒排列表信息，扫描结束的同时，所分配的内存空间也正好被填满。每个单词对应的内存片段，此时已被创建成该单词的倒排列表。

两遍扫描，便可完成索引建立，并将内存的倒排列表和词典信息写入磁盘。

优缺点：完全依赖内存，要求内存空间足够大；从磁盘读取和解析文档耗时较长，速度慢。

2、排序法

一种“在索引建立过程中，始终在内存分配固定大小的空间，用来存放词典信息和索引中间结果，当分配空间被消耗殆尽，把中间结果写入磁盘，并清空内存做新一轮中间索引存储”的方法，是两遍遍历索引的改进。

中间结果内存排序

a.读入文档，赋予唯一的文档ID；

b.解析文档内容，赋予文档中出现的单词以唯一的单词ID（首次出现的单词，赋予ID后做插入处理）；

c.为每个单词建立包含“单词ID”、“文档ID”、”单词频率”信息的倒排列表项，并将其追加进中间结果存储区末尾；对所有文档依次做以上处理，直到所有文档被处理完毕。

d.随着存储中间结果的内存被逐渐占满，对三元组中间结果进行排序，将各单词对应的倒排索引项变成有序形式，并将排好序的倒排列表写入磁盘。排序原则：主键是单词ID，即先按单词ID从小到大排序；次键是文档ID, 即相同单词ID下，按文档ID从小到大排序。

e.循环以上处理过程，待所有文档被处理完毕，合并磁盘中每轮产生的中间结果文件。

中间结果文件合并

将存放中间结果的各缓冲区的有序数据，按单词ID顺序合并形成倒排列表写入最终索引，同时清空各缓冲区并进行新一轮三元组读入操作，待所有中间结果文件被读入缓冲区合并完成，最终索引文件便得以生成。

优缺点：只对中间结果做写入磁盘操作，词典信息始终在内存中维护，随着内存被不断占用，后续中间结果可用内存会越来越少。

3、归并法

归并法，是排序法的改进，每次将内存数据写入磁盘时，包括词典在内的中间结果信息也被写入磁盘，以达到清空内存并为后续处理建立定额内存的目的。

子倒排索引

对目前所处理的文档子集单独在内存中建立一整套的倒排索引；

将倒排索引写入临时文件

内存被占满时，按照“词典在前，倒排列表在后”的顺序，将已建立的一整套倒排索引写入临时文件，并清空内存。

合并部分倒排列表

合并每个单词对应的部分倒排列表，形成单词的最终倒排列表；同时，在合并过程中形成最终的词典。

若线性表最常用的操作是存取第i个元素及其直接前驱的值，则采用_____存储方式节省时间

填写：顺序表

线性表中最常用的操作是取第i个元素，所以，应选择随机存取结构即顺序表，同时在顺序表中查找第i个元素的前趋也很方便。

单链表和单循环链表既不能实现随机存取，查找第i个元素的前趋也不方便，双链表虽然能快速查找第i个元素的前趋，但不能实现随机存取。

顺序表是在计算机内存中以数组的形式保存的线性表，线性表的顺序存储是指用一组地址连续的存储单元依次存储线性表中的各个元素、使得线性表中在逻辑结构上相邻的数据元素存储在相邻的物理存储单元中。

通过数据元素物理存储的相邻关系来反映数据元素之间逻辑上的相邻关系，采用顺序存储结构的线性表通常称为顺序表。顺序表是将表中的结点依次存放在计算机内存中一组地址连续的存储单元中。

扩展资料：

数据存储对象包括数据流在加工过程中产生的临时文件或加工过程中需要查找的信息。数据以某种格式记录在计算机内部或外部存储介质上。

数据存储要命名，这种命名要反映信息特征的组成含义。数据流反映了系统中流动的数据，表现出动态数据的特征；数据存储反映系统中静止的数据，表现出静态数据的特征。

从连接方式上对比，DAS采用了存储设备直接连接应用服务器，具有一定的灵活性和限制性；NAS通过网络（TCP/IP，ATM，FDDI）技术连接存储设备和应用服务器，存储设备位置灵活，随着万兆网的出现，传输速率有了很大的提高。

SAN则是通过光纤通道技术连接存储设备和应用服务器，具有很好的传输速率和扩展性能。三种存储方式各有优势，相互共存，占到了磁盘存储市场的70%以上。SAN和NAS产品的价格仍然远远高于DAS。许多用户出于价格因素考虑选择了低效率的直连存储而不是高效率的共享存储。

为什么要进行知识建模,知识建模的方法是什么

1.为什么要进行知识建模:因为知识建模通常是知识的逻辑体系化过程,主要指应用知识来解决各种工程问题，自动完成工程中各种繁琐和重复的工作。

2.知识建模的方法:
一、主成分分析
降维，找到数据中的主成分，并利用这些主成分表征原始数据，从而达到降维的目的。
1. 对样本数据进行中心化处理；
2. 求样本协方差矩阵；
3. 对协方差矩阵进行特征值分解，将特征值从大到小排列；
4. 取特征值前 n 个最大的对应的特征向量 W1, W2, …, Wn ，这样将原来 m 维的样本降低到 n 维。
通过 PCA ，就可以将方差较小的特征给抛弃，这里，特征向量可以理解为坐标转换中新坐标轴的方向，特征值表示在对应特征向量上的方差，特征值越大，方差越大，信息量也就越大。这也是为什么选择前 n 个最大的特征值对应的特征向量，因为这些特征包含更多重要的信息。
PCA 是一种线性降维方法，这也是它的一个局限性。不过也有很多解决方法，比如采用核映射对 PCA 进行拓展得到核主成分分析(KPCA)，或者是采用流形映射的降维方法，比如等距映射、局部线性嵌入、拉普拉斯特征映射等，对一些 PCA 效果不好的复杂数据集进行非线性降维操作。
二、线性判别分析：还需要一个投影方向，适合带类别信息。
三、独立成分分析：PCA特征转换降维，提取的是不相关的部分，ICA独立成分分析，获得的是相互独立的属性。ICA算法本质寻找一个线性变换 z = Wx，使得 z 的各个特征分量之间的独立性最大。
四、随机森林：集成思想，涉及到决策树和集成学习，将若干个弱分类器的分类结果进行投票选择，从而组成一个强分类器。
随机森林的既可以用于回归也可以用于分类任务，并且很容易查看模型的输入特征的相对重要性。随机森林算法被认为是一种非常方便且易于使用的算法，因为它是默认的超参数通常会产生一个很好的预测结果。超参数的数量也不是那么多，而且它们所代表的含义直观易懂。随机森林有足够多的树，分类器就不会产生过度拟合模型。由于使用大量的树会使算法变得很慢，并且无法做到实时预测。一般而言，这些算法训练速度很快，预测十分缓慢。越准确的预测需要越多的树，这将导致模型越慢。在大多数现实世界的应用中，随机森林算法已经足够快，但肯定会遇到实时性要求很高的情况，那就只能首选其他方法。当然，随机森林是一种预测性建模工具，而不是一种描述性工具。也就是说，如果您正在寻找关于数据中关系的描述，那建议首选其他方法。
五、FP-growth算法：FP代表频繁模式（Frequent Pattern）。
这里有几点需要强调一下：
第一，FP-growth算法只能用来发现频繁项集，不能用来寻找关联规则。
第二，FP-growth算法发现频繁集的效率比较高，Apriori算法要对于每个潜在的频繁项集都会扫描数据集来判定是否频繁，FP-growth算法只需要对数据集进行两次扫描。这种算法的执行速度要快于Apriori，通常性能要好两个数量级以上。
第三，FP-growth算法基于Apriori算法构建，在完成相同任务的时候采用了一些不同技术。
发现频繁项集的基本过程：
1、构建FP树
2、从FP树中挖掘频繁项集
优点：一般要快于Apriori
缺点：实现比较困难，在某些数据集上性能会下降。
适用数据类型：标称型数据。
六、粒子群算法：优化、最优解
七、灵敏度分析：线性规划问题
八、层次分析法：主要用于决策、确定权重
九、模拟退火算法：在解空间随机寻找目标函数的全局最优解
十、遗传算法：最优解，将方程求解问题转化为生存问题。
十一、几种问题：
P问题：P类问题就是所有复杂度为多项式时间的问题的集合。
NP问题：可以在多项式时间内验证一个解是否正确的问题称为NP问题。（它包括P问题）
十二、机理分析法：机理分析是根据对现实对象特性的认识，分析其因果关系，找出反映内部机理的规律。机理分析建模常用：常微分方程、偏微分方程、逻辑方法、比例方法、代数方法
建立微分方程模型时应用已知物理定律，可事半功倍。也可利用平衡与增长式微元法或者分析法。
求解常微分方程模型的常用方法：微分方程的数值解、微分方程的定性分析。
常微分方程数值解的定义：
在生产和科研中所处理的微分方程往往很复杂,且大多得不出一般解。而实际问题中对初值问题的求解，一般是要求得到在若干个点上满足规定精确度的近似值，或者得到一个满足精确度要求的便于计算的表达式。
建立数值解法的一些途径：
Ø 用差商代替导数
Ø 使用数值积分
Ø 使用泰勒公式，以此方法为基础，有龙格-库塔法、线性多步法等方法。
Ø 数值公式的精度
欧拉法是一阶公式，改进的欧拉法是二阶公式．
龙格-库塔法有二阶公式和四阶公式．
线性多步法有四阶亚当斯外插公式和内插公式．
虽然动态过程的变化规律一般要用微分方程建立的动态模型来描述，但是对于某些实际问题，建模的主要目的并不是要寻求动态过程每个瞬时的性态，而是研究某种意义下稳定状态的特征，特别是当时间充分长以后动态过程的变化趋势。譬如在什么情况下描述过程的变量会越来越接近某些确定的数值，在什么情况下又会越来越远离这些数值 而导致过程不稳定。
为了分析这种稳定与不稳定的规律常常不需要求解微分方程，而可以利用微分方程稳定性理论，直接研究平衡状态的稳定性就行了。
十三、动态规划： 动态规划是用来解决多阶段决策过程最优化的一种数量方法。其特点在于，它可以把一个n 维决策问题变换为几个一维最优化问题，从而一个一个地去解决。
需指出：动态规划是求解某类问题的一种方法，是考察问题的一种途径，而不是一种算法。必须对具体问题进行具体分析，运用动态规划的原理和方法，建立相应的模型，然后再用动态规划方法去求解。
多阶段线性规划典型为：1、生产决策问题2、机器负荷分配问题
能用动态规划方法求解的多阶段决策过程是一类特殊的多阶段决策过程，即具有无后效性的多阶段决策过程。
十四、有限差分方法：有限差分法求解流动控制方程的基本过程是：首先将求解区域划分为差分网格，用有限个网格点代替连续的求解域，将待求解的流动变量（如密度、速度等）存储在各网格点上，并将偏微分方程中的微分项用相应的差商代替，从而将偏微分方程转化为代数形式的差分方程，得到含有离散点上的有限个未知变量的差分方程组。求出该差分方程组的解，也就得到了网格点上流动变量的数值解。
十六、几种特征工程技巧：
（1） 数据分箱
（2） 独热编码
（3） 特征哈希
（4） 嵌套法
（5） 取对数
（6） 特征缩放与标准化
（7） 特征交互

高级数据结构的目录

第1章 哈希表　　1.1 哈希表的基本原理　　1.2 哈希表的基本概念　　1.3 哈希函数的构造　　1.4 哈希表的基本操作　　1.5 冲突的处理　　1.6 哈希表的性能分析　　1.7 哈希表的应用举例　　1.8 本章习题　　第2章 树与二叉树　　2.1 树　　2.1.1 树的存储结构　　2.1.2 树的遍历　　2.2 二叉树　　2.2.1 普通树转换成二叉树
第1章 哈希表 1.1 哈希表的基本原理 1.2 哈希表的基本概念 1.3 哈希函数的构造 1.4 哈希表的基本操作 1.5 冲突的处理 1.6 哈希表的性能分析 1.7 哈希表的应用举例 1.8 本章习题
第2章 树与二叉树 2.1 树 2.1.1 树的存储结构 2.1.2 树的遍历 2.2 二叉树 2.2.1 普通树转换成二叉树 2.2.2 二叉树的遍历 2.2.3 二叉树的其他操作 2.2.4 二叉树的形态 2.3 二叉排序树 2.4 哈夫曼二叉树 2.5 字典树 2.6 本章习题
第3章 优先队列与二叉堆 3.1 优先队列 3.2 二叉堆 3.2.1 Put操作 3.2.2 Get操作 3.3 可并堆 3.3.1 左偏树的定义 3.3.2 左偏树的基本操作 3.4 本章习题
第4章 并查集 4.1 并查集的主要操作 4.2 并查集的实现 4.2.1 并查集的数组实现 4.2.2 并查集的链表实现 4.2.3 并查集的树实现 4.3 并查集的应用举例 4.4 本章习题
第5章 线段树 5.1 线段树的应用背景 5.2 线段树的初步实现 5.2.1 线段树的结构 5.2.2 线段树的性质 5.2.3 线段树的存储 5.2.4 线段树的常用操作 5.2.4.1 线段树的构造 5.2.4.2 线段树的查询 5.2.4.3 线段树的修改 5.2.4.4 线段树的延迟修改 5.3 线段树在一些经典问题中的应用 5.3.1 逆序对问题 5.3.2 矩形覆盖问题 5.4 线段树的扩展 5.4.1 用线段树优化动态规划 5.4.2 将线段树扩展到高维 5.4.3 线段树与平衡树的结合 5.5 线段树与其他数据结构的比较 5.6 线段树的应用举例 5.7 本章习题
第6章 树状数组 6.1 树状数组的问题模型 6.2 树状数组的基本思想 6.3 树状数组的实现 6.3.1 子集的划分方法 6.3.2 查询前缀和 6.3.3 修改子集和 6.4 树状数组的常用技巧 6.4.1 查询任意区间和 6.4.2 利用SHill数组求出原数组a的某个元素值 6.4.3 找到某个前缀和对应的前缀下标index 6.4.4 成倍扩张/缩减 6.4.5 初始化树状数组 6.5 树状数组与线段树的比较 6.6 树状数组扩展到高维的情形 6.7 树状数组的应用举例 6.8 本章习题
第7章 伸展树 7.1 伸展树的主要操作 7.1.1 伸展操作 7.1.2 伸展树的基本操作 7.2 伸展树的算法实现 7.3 伸展树的效率分析 7.4 伸展树的应用举例 7.5 本章习题
第8章 Treap 8.1 Treap的基本操作 8.2 Treap的算法实现 8.3 Treap的应用举例 8.4 本章习题
第9章 平衡树 9.1 AVL树 9.2 红—黑树 9.3 SBT 9.3.1 SBT的基本操作 9.3.2 SBT的效率分析 9.3.3 SBT的算法实现 9.4 本章习题
第10章 块状链表与块状树 10.1 块状链表的基本思想 10.2 块状链表的基本操作 10.3 块状链表的扩张 10.3.1 维护区间和以及区间最值 10.3.2 维护局部数据有序化 10.3.3 维护区间翻转 10.4 块状链表与其他数据结构的比较 10.5 分块思想在树上的应用——块状树 10.6 块状链表的应用举例 10.7 本章习题
第11章 后缀树与后缀数组 11.1 后缀树的简介 11.2 后缀树的定义 11.3 后缀树的构建 11.3.1 后缀树的朴素构建算法 11.3.2 后缀树的线性时间构建算法 11.3.2.1 隐式树的朴素构建 11.3.2.2 扩展规则约定 11.3.2.3 后缀链加速 11.3.2.4 进一步加速 11.3.2.5 后缀树拓展到多串的形式 11.3.2.6 代码实现 11.3.2.7 相关证明 11.4 后缀树的应用 11.4.1 字符串（集合）的精确匹配 11.4.1.1 情形一 11.4.1.2 情形二 11.4.1.3 情形三 11.4.1.4 情形四 11.4.2 公共子串问题 11.4.2.1 情形五 11.4.2.2 情形六 11.4.2.3 情形七 11.4.2.4 情形八 11.4.2.5 情形九 11.4.3 重复子串问题 11.4.3.1 情形十 11.4.3.2 情形十一 11.4.3.3 情形十二 11.5 后缀数组的简介 11.6 后缀数组的定义 11.7 后缀数组的构建 11.7.1 一种直接的构建算法 11.7.2 倍增算法 11.7.2.1 倍增算法描述 11.7.2.2 倍增算法代码 11.7.3 由后缀树得到后缀数组 11.7.4 DC3算法和DC算法 11.7.4.1 DC3算法 11.7.4.2 DC算法 11.8 LCP的引入 11.9 后缀数组的应用 11.9.1 后缀排序的直接应用 11.9.1.1 Burrows—Wheeler变换 11.9.1.2 多模式串的匹配 11.9.2 通过引入LCP优化 11.9.2.1 多模式串的匹配 11.9.2.2 重复子串问题 11.9.2.3 最长回文子串 11.9.2.4 最长公共子串 11.9.3 后缀数组的应用举例 11.10 本章习题
第12章 树链剖分与动态树 12.1 树链剖分的思想和性质 12.2 树链剖分的实现及应用 12.3 动态树的初探 12.3.1 动态树的常用功能 12.3.2 动态树的简单情形 12.4 动态树的实现 12.4.1 动态树的基本操作及其实现 12.4.1.1 动态树的问题模型 12.4.1.2 用Splay维护实路径 12.4.2 动态树操作的时间复杂度分析 12.4.2.1 动态树操作的次数 12.4.2.2 Splay操作的平摊时间 12.5 动态树的经典应用 12.5.1 求最近公共祖先 12.5.2 并查集操作 12.5.3 求最大流 12.5.4 求生成树 12.6 动态树的应用举例 12.7 本章习题

生物信息学算法导论的目录

1 绪论
2 算法与复杂性
2.1 算法是什么？
2.2 生物学算法与计算机算法
2.3 找钱问题
2.4 正确的与错误的算法
2.5 递归算法
2.6 迭代算法与递归算法的比较
2.7 快速算法与慢速算法的比较
2.8 大O记号
2.9 算法设计技术
2.10 易处理与不易处理问题的比较
2.11 附注
人物天地：Richard Karp
2.12 问题
3 分子生物学简介
3.1 生命是由什么组成的？
3.2 什么是遗传物质？
3.3 基因是干什么的？
3.4 哪些分子编码基因？
3.5 DNA的结构是怎样的？
3.6 在DNA和蛋白质间传递信息的物质是什么？
3.7 蛋白质是由什么组成的？
3.8 我们该如何去分析DNA？
3.9 一个物种的个体差异是怎样产生的？
3.10 不同物种间有怎样的差异？
3.11 为什么要搞生物信息学？
人物天地：Russell F.Doolittle
4 穷举搜索
4.1 限制酶切作图
4.2 不实用的限制酶切作图算法
4.3 一个实用的限制酶切作图算法
4.4 DNA序列上的调控基序
4.5 序列剖面
4.6 基序发现问题
4.7 检索树
4.8 发现基序
4.9 发现一个中间字符串
4.10 附注
人物天地：Gary Stormo
4.11 问题
5 贪婪算法
5.1 基因组重排
5.2 反序排序法
5.3 近似算法
5.4 断点：贪婪的另一面
5.5 贪婪方法与基序发现
5.6 附注
人物天地：David Sankoff
5.7 问题
6 动态规划算法
6.1 DNA序列比较的力量
6.2 找钱问题重述
6.3 曼哈顿游客问题
6.4 距离与联配
6.5 最长共同子序列
6.6 全局序列联配
6.7 得分联配
6.8 局部序列联配
6.9 缺口罚分联配
6.10 多重联配
6.11 基因预测
6.12 基因预测的统计方法
6.13 基于相似性的基因预测方法
6.14 剪接联配
6.15 附注
人物天地：Michael Waterman
6.1 6 问题
7 分而治之算法
7.1 排序问题的分治法
7.2 空间效率高的序列联配
7.3 模序联配和四个俄罗斯人的加速法
7.4 在亚二次时间内构建联配
7.5 附注
人物天地：Webb Miller
7.6 问题
8 图算法
8.1 图
8.2 图与遗传学
8.3 DNA测序
8.4 最短超字符串问题
8.5 作为可选择测序技术的DNA阵列
8.6 杂交测序
8.7 SBH与Hamilton路问题
8.8 SBH与欧拉路问题
8.9 DNA测序中的片段装配
8.10 蛋白质测序和鉴定
8.11 肽测序问题
8.12 谱图
8.13 基于数据库搜索的蛋白质鉴定
8.14 谱的卷积
8.15 谱联配
8.16 附注
8.17 问题
9 组合模式匹配
9.1 重复序列发现
9.2 哈希表
9.3 精确模式匹配
9.4 关键词树
9.5 后缀树
9.6 启发式相似性搜索算法
9.7 近似模式匹配
9.8 BLAST：依靠数据库的序列比较
9.9 附注
人物天地：Gene Myers
9.10 问题
10 聚类和树
10.1 基因表达分析
10.2 系统聚类
10.3 k-均值聚类
10.4 聚类和有瑕团
10.5 进化树
10.6 基于距离的树重构
10.7 由可加矩阵重构树
10.8 进化树与系统聚类
10.9 基于字符的树重构
10.10 小简约问题
10.11 大简约问题
10.12 附注
人物天地：Ron Shamir
10.13 问题
11 隐马氏模型
11.1 CG岛和“公平赌场”
11.2 公平赌场和隐马氏模型
11.3 解码算法
11.4 隐马氏模型参数估计
11.5 剖面隐马氏模型联配
11.6 附注
人物天地：David Haussler
11.7 问题
12 随机化算法
12.1 排序问题回顾
12.2 吉布斯抽样
12.3 随机投影
12.4 附注
12.5 问题
参考文献
索引