SkipList跳錶
為什麼選擇跳錶
目前經常使用的平衡資料結構有：B樹，紅黑樹，AVL樹，Splay Tree, Treep等。想象一下，給你一張草稿紙，一隻筆，一個編輯器，你能立即實現一顆紅黑樹，或者AVL樹出來嗎？ 很難吧，這需要時間，要考慮很多細節，要參考一堆演算法與資料結構之類的樹，還要參考網上的程式碼，相當麻煩。用跳錶吧，跳錶是一種隨機化的資料結構，目前開源軟體 Redis 和 LevelDB 都有用到它，它的效率和紅黑樹以及 AVL 樹不相上下，但跳錶的原理相當簡單，只要你能熟練操作連結串列，就能輕鬆實現一個 SkipList。
有序表的搜尋
考慮一個有序表：
從該有序表中搜索元素 < 23, 43, 59 > ，需要比較的次數分別為 < 2, 4, 6 >，總共比較的次數為 2 4 6 = 12 次。有沒有優化的演算法嗎? 連結串列是有序的，但不能使用二分查詢。類似二叉搜尋樹，我們把一些節點提取出來，作為索引。得到如下結構：
這裡我們把 < 14, 34, 50, 72 > 提取出來作為一級索引，這樣搜尋的時候就可以減少比較次數了。 我們還可以再從一級索引提取一些元素出來，作為二級索引，變成如下結構：
這裡元素不多，體現不出優勢，如果元素足夠多，這種索引結構就能體現出優勢來了。
跳錶
下面的結構是就是跳錶：
其中 -1 表示 INT_MIN， 連結串列的最小值，1 表示 INT_MAX，連結串列的最大值。
跳錶具有如下性質：
(1) 由很多層結構組成
(2) 每一層都是一個有序的連結串列
(3) 最底層(Level 1)的連結串列包含所有元素
(4) 如果一個元素出現在 Level i 的連結串列中，則它在 Level i 之下的連結串列也都會出現。
(5) 每個節點包含兩個指標，一個指向同一連結串列中的下一個元素，一個指向下面一層的元素。
跳錶的搜尋
例子：查詢元素 117
(1) 比較 21， 比 21 大，往後面找
(2) 比較 37, 比 37大，比連結串列最大值小，從 37 的下面一層開始找
(3) 比較 71, 比 71 大，比連結串列最大值小，從 71 的下面一層開始找
(4) 比較 85， 比 85 大，從後面找
(5) 比較 117， 等於 117， 找到了節點。
具體的搜尋演算法如下：
| 12345678910111213 | /* 如果存在 x, 返回 x 所在的節點， * 否則返回 x 的後繼節點 */find(x){p=top;while(1){while(p->next->key<x)p=p->next;if(p->down==NULL)returnp->next;p=p->down;}} |
跳錶的插入
先確定該元素要佔據的層數 K（採用丟硬幣的方式，這完全是隨機的）
然後在 Level 1 … Level K 各個層的連結串列都插入元素。
例子：插入 119， K = 2
如果 K 大於連結串列的層數，則要新增新的層。
例子：插入 119， K = 4
丟硬幣決定 K
插入元素的時候，元素所佔有的層數完全是隨機的，通過一下隨機演算法產生：
| 123456789 | intrandom_level(){K=1;while(random(0,1))K++;returnK;} |
相當與做一次丟硬幣的實驗，如果遇到正面，繼續丟，遇到反面，則停止，用實驗中丟硬幣的次數 K 作為元素佔有的層數。顯然隨機變數 K 滿足引數為 p = 1/2 的幾何分佈，K 的期望值 E[K] = 1/p = 2. 就是說，各個元素的層數，期望值是 2 層。
跳錶的高度。
n 個元素的跳錶，每個元素插入的時候都要做一次實驗，用來決定元素佔據的層數 K，跳錶的高度等於這 n 次實驗中產生的最大 K，待續。。。
跳錶的空間複雜度分析
根據上面的分析，每個元素的期望高度為 2， 一個大小為 n 的跳錶，其節點數目的期望值是 2n。
跳錶的刪除
在各個層中找到包含 x 的節點，使用標準的 delete from list 方法刪除該節點。
例子：刪除 71
