Kd-Trees是实时光线跟踪中使用的空间数据结构，它的缺点是需要裁剪与不同空间交叉的三角形。一般来说，BVH更快，因为它们更轻。MX-CIF四叉树，通过将规则四叉树与四叉树边缘的二叉树组合，存储边界框而不是任意点集。HAMT，由于所涉及的常数，访问时间通常超过O（1）个哈希图的分层哈希图。反向索引，在搜索引擎界非常有名，因为它用于快速检索与不同搜索词相关的文档。

大多数（如果不是全部）记录在NIST算法和数据结构词典中

其他人已经提出了Burkhard Keller Trees，但我想我可能会再次提及它们，以便插入我自己的实现

http://well-adjusted.de/mspace.py/index.html

周围有更快的实现（参见ActiveState的Python配方或其他语言的实现），但我认为/希望我的代码有助于理解这些数据结构。

顺便说一句，BK和VP树可用于搜索类似字符串。只要距离函数满足几个条件（正、对称、三角形不等式），就可以对任意对象进行相似性搜索。

Splay Trees很酷。它们以将最常查询的元素移到更靠近根的方式重新排序。

二进制决策图（我最喜欢的数据结构，擅长表示布尔方程并解决它们。适用于很多事情）堆（一个树，其中节点的父节点总是与节点的子节点保持某种关系，例如，节点的父级总是大于它的每个子节点（最大堆））优先级队列（实际上只有最小堆和最大堆，有助于维护大量元素的顺序，例如，应该首先删除具有最高值的项目）哈希表（具有各种查找策略和桶溢出处理）平衡的二进制搜索树（每种都有自己的优点）RB树（当以有序方式插入、查找、删除和迭代时，总体良好）Avl树（查找速度比RB快，但其他方面与RB非常相似）Splay树（当最近使用的节点可能被重用时，查找速度更快）融合树（利用快速乘法获得更好的查找时间）B+树（用于数据库和文件系统中的索引，当从索引读取/写入索引的延迟很长时非常有效）。空间索引（非常适合查询点/圆/矩形/线/立方体是否彼此接近或包含在其中）BSP树四叉树八叉树范围树许多相似但略有不同的树木，不同的尺寸区间树（很好地找到重叠区间，线性）图邻接列表（基本上是边的列表）邻接矩阵（表示图的有向边的表，每边一个位。对于图遍历非常快速）

这些是我能想到的。维基百科上还有更多关于数据结构的内容

我喜欢字符串处理的后缀树和数组，平衡列表的跳过列表，自动平衡树的显示树

min-max堆是实现双端优先级队列的堆的变体。它通过简单地更改堆属性来实现这一点：如果偶数（奇数）级别上的每个元素都小于（大于）所有子级和孙子级，则称树为最小-最大排序。级别从1开始编号。

http://internet512.chonbuk.ac.kr/datastructure/heap/img/heap8.jpg