斐波那契堆

它们被用于一些已知的最快算法（渐近）中，用于许多与图相关的问题，例如最短路径问题。Dijkstra的算法在标准二进制堆的O（E log V）时间内运行；使用斐波那契堆将其提高到O（E+V log V），这对于密集图来说是一个巨大的加速。然而，不幸的是，它们有一个很高的恒定因子，往往使它们在实践中不切实际。

二项式堆有很多有趣的财产，其中最有用的是合并。

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

以下是一些：

后缀尝试。适用于几乎所有类型的字符串搜索(http://en.wikipedia.org/wiki/Suffix_trie#Functionality). 另请参见后缀数组；它们没有后缀树那么快，但要小得多。飞溅的树木（如上所述）。它们很酷的原因有三个：它们很小：您只需要像在任何二叉树中那样的左右指针（不需要存储节点颜色或大小信息）它们（相对而言）很容易实施它们为一整套“测量标准”提供了最优的摊余复杂度（log n查找时间是每个人都知道的时间）。看见http://en.wikipedia.org/wiki/Splay_tree#Performance_theorems堆排序的搜索树：在树中存储一堆（key，prio）对，这样它就是一个关于关键字的搜索树，并根据优先级进行堆排序。人们可以看到这样一棵树有一个独特的形状（它并不总是完全堆积在左边）。使用随机优先级，它可以为您提供预期的O（log n）搜索时间，IIRC。一个小生境是具有O（1）邻居查询的无向平面图的邻接列表。与其说这是一种数据结构，不如说是一种组织现有数据结构的特定方式。这是如何做到的：每个平面图都有一个节点，其阶数最多为6。选择这样一个节点，将其邻居放在其邻居列表中，将其从图中删除，然后递归直到图为空。当给定一对（u，v）时，在v的邻居列表中查找u，在u的邻居列表上查找v。两者的大小都最多为6，因此这是O（1）。

根据上面的算法，如果u和v是邻居，那么v的列表中不会同时有u和v。如果需要，只需将每个节点缺失的邻居添加到该节点的邻居列表中，但要存储快速查找所需的邻居列表的数量。

它非常特定于领域，但半边缘数据结构非常整洁。它提供了一种在多边形网格（面和边）上迭代的方法，这在计算机图形和计算几何中非常有用。

增强的哈希算法非常有趣。线性哈希很简单，因为它允许一次在哈希表中拆分一个“桶”，而不是重新哈希整个表。这对于分布式缓存特别有用。然而，对于大多数简单的拆分策略，您最终会快速连续地拆分所有存储桶，并且表的负载系数波动非常严重。

我认为螺旋哈希法也很好。与线性哈希一样，一次拆分一个存储桶，存储桶中的记录只有不到一半被放入同一个新存储桶中。它非常干净和快速。然而，如果每个“桶”都由具有类似规格的机器托管，则效率可能很低。为了充分利用硬件，您需要混合使用功能较弱和功能更强的机器。