本书是一本综合讲述数据结构及其算法的入门书，力求简洁、清晰、严谨、且易于学习和掌握。 本书从介绍计算思维与程序设计两者之间的关系展开，首先讲述如何培养计算思维的4个部分：分解、模式识别、模式概括与抽象、算法。接着介绍经典算法的分类：分治法、递归法、贪心法、动态规划法、迭代法、枚举法及回溯法。还介绍常用数据结构：树结构、图论及哈希表。介绍了这些基础知识之后，在接下来的各章中分别介绍排序算法、查找算法、数组与链表相关算法、信息安全基础算法、堆栈与队列相关算法、树结构相关算法、图结构相关算法及人工智能基础算法，并搭配了C++语言实现的完整范例程序。 本书每章还配有课后习题及参考答案，读者可边学边练，非常适合想学习数据结构和算法的初学者使用，也适合作为高等院校计算机及相关专业的教材。

第1章 进入算法的世界
1.1 计算思维
1.1.1 分解
1.1.2 模式识别
1.1.3 模式概括与抽象
1.1.4 算法
1.2 计算思维的脑力大赛
1.2.1 三分球比赛灯记录器
1.2.2 图像字符串编码
1.2.3 计算机绘图指令实践
1.2.4 炸弹超人游戏
1.3 生活中处处都存在算法
1.3.1 算法的条件
1.3.2 时间复杂度O(f(n))
1.4 课后习题
第2章 经典算法介绍
2.1 分治法
2.2 递归法
2.3 贪心法
2.4 动态规划法
2.5 迭代法
2.6 枚举法
2.7 回溯法
2.8 课后习题
第3章 常用数据结构
3.1 认识数据结构
3.2 常见的数据结构
3.2.1 数组
3.2.2 链表
3.2.3 堆栈
3.2.4 队列
3.3 树结构简介
3.3.1 树的基本概念
3.3.2 二叉树
3.4 图论简介
3.5 哈希表
3.6 课后习题
第4章 排序算法
4.1 认识排序
4.1.1 排序的分类
4.1.2 排序算法分析
4.2 冒泡排序法
4.3 选择排序法
4.4 插入排序法
4.5 希尔排序法
4.6 快速排序法
4.7 合并排序法
4.8 基数排序法
4.9 堆积树排序法
4.10 课后习题
第5章 查找算法
5.1 常见查找算法的介绍
5.2 顺序查找法
5.3 二分查找法
5.4 插值查找法
5.5 斐波那契查找法
5.6 课后习题
第6章 数组与链表相关算法
6.1 矩阵算法与深度学习
6.1.1 矩阵相加
6.1.2 矩阵相乘
6.1.3 转置矩阵
6.1.4 稀疏矩阵
6.2 数组与多项式
6.3 建立单向链表
6.3.1 单向链表中新节点的插入
6.3.2 单向链表中节点的删除
6.3.3 单向链表的反转
6.3.4 单向链表的串接
6.4 链表与多项式
6.5 课后习题
第7章 信息安全基础算法
7.1 数据加密
7.1.1 对称密钥加密系统
7.1.2 非对称密钥加密系统与RSA算法
7.1.3 认证
7.1.4 数字签名
7.2 哈希算法
7.2.1 除留余数法
7.2.2 平方取中法
7.2.3 折叠法
7.2.4 数字分析法
7.3 碰撞与溢出处理
7.3.1 线性探测法
7.3.2 平方探测法
7.3.3 再哈希法
7.3.4 链表法
7.4 课后习题
第8章 堆栈与队列相关算法
8.1 以数组来实现堆栈
8.2 以链表来实现堆栈
8.3 汉诺塔问题的求解算法
8.4 八皇后问题的求解算法
8.5 以数组来实现队列
8.6 以链表来实现队列
8.7 双向队列
8.8 优先队列
8.9 课后习题
第9章 树结构相关算法
9.1 以数组来实现二叉树
9.2 以链表来实现二叉树
9.3 二叉树的遍历
9.4 二叉树节点的查找
9.5 二叉树节点的插入
9.6 二叉树节点的删除
9.7 二叉运算树
9.8 二叉排序树
9.9 线索二叉树
9.10 优化二叉查找树
9.10.1 扩充二叉树
9.10.2 哈夫曼树
9.11 平衡树
9.12 高级树结构的应用
9.12.1 博弈树
9.12.2 B树
9.12.3 二叉空间分割树
9.12.4 四叉树和八叉树
9.13 课后习题
第10章 图结构相关算法
10.1 图的定义
10.1.1 无向图
10.1.2 有向图
10.2 图的数据表示法
10.2.1 邻接矩阵法
10.2.2 邻接链表法
10.2.3 邻接复合链表法
10.2.4 索引表格法
10.3 图的遍历
10.3.1 深度优先遍历
10.3.2 广度优先遍历
10.4 生成树
10.4.1 深度优先生成树和广度优先生成树
10.4.2 最小生成树
10.4.3 Prim算法
10.4.4 Kruskal算法
10.5 图的最短路径
10.5.1 单点对全部顶点——Dijkstra算法与A*算法
10.5.2 两两顶点间的最短路径——Floyd算法
10.6 课后习题
第11章 人工智能基础算法
11.1 机器学习简介
11.1.1 监督式学习
11.1.2 半监督式学习
11.1.3 无监督式学习与K均值聚类
11.1.4 强化学习
11.2 认识深度学习
11.2.1 人工神经网络
11.2.2 卷积神经网络
11.2.3 循环神经网络
11.3 课后习题
附录A 课后习题与解答