谈谈对链表的理解

简介: 谈谈对链表的理解

前言


本篇文章主要解决如下几个问题:


  • 链表和数组相比有哪些不同点?它的优缺点是什么?
  • 链表有哪些类别?它们各自的优缺点是什么?
  • 如何使用链表实现LRU算法?


链表相对于数组而言,是两种不同的内存组织方式,链表不需要连续的内存空间,天然支持动态扩容,而且不像数组扩容那样需要搬运数据。链表大小等于实际使用大小,不存在浪费空间的现象。链表适合插入和删除操作,时间复杂度为O(1),但是并不意味着适合非常频繁地插入和删除,因为那样会导致频繁地申请内存和释放内存,容易造成内存碎片,从而提高GC的频率。


正文


一、单向链表


每一块内存区域称为一个节点,每个节点有两块区域,数据域保存节点数据,指针域指向下一个节点的地址。其中,头节点是整个链表的基地址,通过它可以遍历整个链表;尾节点的指针值为空,不指向任何地址。


单x向链表比较适合插入和删除操作,时间复杂度为O(1),注意此处不包含查找到该元素的时间,但是查询操作效率较低,时间复杂度为O(n);


0099.png


单向链表结构示意


二、双向链表


每一块内存区域称为一个节点,每个节点有三块区域,前指针域指向上一个节点的地址,数据域保存节点数据,后指针域指向下一个节点的地址。和单向链表相比,存储相同多的数据,双向链表需要的存储空间更多。


双向链表的插入、删除和查询操作都要比单向链表的相同操作的效率更高:


插入

如果需要在第k个节点处插入一个新的节点,那么单向链表需要找到前一个节点,时间复杂度为O(n),而双向链表只需要往前遍历一个节点就能找到,时间复杂度为O(1)。


删除

如果是需要删除给定的元素,那么就只能从第一个节点开始遍历,这种情况两种链表的时间复杂度是一样的;但是如果是给定需要删除元素的指针,那么单向链表因为要找到前一个元素p,使得p.next指向待删除元素的下一个节点,所以时间复杂度为O(n),而双向链表则只需要往前遍历一个节点就能找到,时间复杂度为O(1)。


查询

对于有序链表,每次查找元素k,双向链表可以根据和当前节点的值的大小比较来决定往前遍历还是往后遍历,而单链表只能往后或者从头结点重新开始遍历。


因此,即便双向链表比较占用空间,但这是一种空间换时间的设计思想,使用场景反而比单向链表更多。


88888.png


双向链表结构示意


三、循环链表


循环链表是一种特殊的单向链表,区别是其尾节点的指针域不是空,而是指向头节点。其优点就是从链表尾部到链表头部比较方便,当我们需要处理环形结构的数据时,就比较合适。


8888.png


循环链表结构示意


当然,将双向链表和循环链表组合起来,就能形成一个双向循环链表,这个用的不多,不赘述。


999.png


双向循环链表结构示意


四、使用链表实现LRU


常见的缓存淘汰策略有三种,FIFO(先进先出Firt In First Out)、LFU(最少使用Least Frequently Used)、LRU(最近最少使用Least Recently Used)。


  • 对于当前数据,遍历链表,如果在链表中已经存在了,那么删除该节点,并在链表头插入该数据;
  • 如果在链表中不存在,判断当前链表是否小于最大长度,如果没有,直接插入到头部;
  • 如果已经等于最大长度,那么删除尾节点后,再插入到头部;
  • 该算法的时间复杂度为O(n),因为无论如何,都要遍历一次链表;


相关文章
|
21天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9050 28
|
19天前
|
人工智能 并行计算 PyTorch
秋叶 ComfyUI 2026 整合包 v3.2 完整部署教程:Python 3.13 + Torch 2.13 全栈升级
秋叶aaaki ComfyUI 2026年8月整合包v3.2正式发布!全面升级Python 3.13.11、PyTorch 2.13.0+cu130及ComfyUI v0.30.2,原生支持MiniMax H3、Wan 2.2、Qwen-Image-2.1等2026主流音视频/图像模型,解压即用,无需环境配置。
4060 16
|
19天前
|
人工智能 测试技术 API
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
Jev是TypeSafe AI推出的“系统一模型”,不生成文本,专做毫秒级结构化决策:Choice(多选)、Score(打分)、Noul(是非概率)。响应快193倍、成本低444倍,适合工单路由、内容审核、测试定级等高频判断场景。
2327 4
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
|
7天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
5天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
486 1
|
13天前
|
人工智能 Linux 开发者
【2026国内使用】Codex安装过程一篇讲透(Win/Mac/Linux全支持)
Codex是OpenAI推出的AI编程智能体,可读取本地项目、理解需求并自动修改代码。支持桌面GUI、命令行(CLI)及VS Code/Cursor插件三种形态,覆盖可视化操作、终端高效开发与编辑器无缝集成场景,助开发者用自然语言驱动编码全流程。(239字)
1061 2
【2026国内使用】Codex安装过程一篇讲透(Win/Mac/Linux全支持)
|
8天前
|
人工智能 Linux Windows
千问办公(QwenWork)官网入口:其实有2个,一个是网页端千问办公,一个是介绍指南页面
千问办公(QwenWork)是阿里云推出的AI智能办公平台,支持网页端直接使用及Windows/Mac/Linux客户端下载。提供PPT生成、财报分析、网页搭建等AI功能,个人版免费,企业版198元/席/月。详情见官网qwenwork.cn或阿里云产品页。
1035 0
千问办公(QwenWork)官网入口:其实有2个,一个是网页端千问办公,一个是介绍指南页面