动态数据结构是支持动态的更新操作，里面存储的数据是时刻在变化的。它支持快速地查询、快速插入、删除数据。
本文没有对各种动态数据结构的定义和实现进行分析，而是简要地讨论它们的优势、劣势和应用场景。因为对于工程应用来说，更重要的是根据这些数据结构的特点，合理地使用它们。
1、散列表
散列表使用哈希函数进行映射，因此查找、插入、删除操作的时间复杂度一般为O(1)。
限制：①要求设计合适的散列函数。要尽可能让散列后的值随机且均匀分布，这样会尽可能地减少散列冲突，即便冲突之后，分配到每个槽内的数据也比较均匀。并且，散列函数的设计也不能太复杂，太复杂就会太耗时间，也会影响散列表的性能。
②要求尽可能避免散列冲突。一般有开放寻址法和拉链法，开放寻址法在插入操作频繁的情况下，性能下降严重，拉链法更为普适。为了避免频繁插入后，遍历链表的时间复杂度太高，还可以将链表改为其他动态查找数据结构，比如红黑树，在jdk8中，HashMap底层就采用了这一策略。
缺点：①不能顺序遍历；②如果要扩容、缩容的话会出现性能损耗。
适用场景：适用于那些不需要顺序遍历，且数据插入删除并不频繁的情况。
2、跳表
跳表基于用空间换时间的原理，通过对有序链表构建多级索引来提高查询的效率，让链表也可以进行“二分查找”。支持快速的插入、删除、查找操作，时间复杂度都是 O(logn)。并且，可以实现顺序遍历、范围查找等操作。
缺点：空间复杂度O(n)。不过，跳表的实现非常灵活，可以通过改变索引构建策略，比如在插入操作时，跳表可以通过一个随机函数生成一个值，那么在插入数据的时候，就可以选择同时将这个数据插入到部分索引层中。这样就避免了频繁插入操作后，跳表退化成普通链表。
【极端情况】
【随机插入某一索引层后】
适用场景：适用于有顺序遍历、区间查找要求的场景。
3、红黑树
平衡二叉查找树又称AVL树，是在二叉查找树的基础上，对树的结构进行了更为严格的定义，即二叉查找树的任何节点的左右子树高度相差不超过 1。普通二叉查找树在经过某些插入、删除操作后可能会出现较为极端的情况，使得查询效率退化为O(logn)。为了避免这种情况，出现了平衡二叉树，它让整棵树变得匀称，树高也很低，维持较好的查询效率。
AVL 树对自身平衡性要求较高，每次插入、删除操作更复杂、耗时。因此，对于有频繁的插入、删除操作的数据集合，使用 AVL 树的代价较高。然后出现了红黑树这种"近似的平衡二叉树"，它并没有达到AVL树那样的平衡度，而是做到了近似平衡，所以在维护平衡的成本上，红黑树优于AVL树。
红黑树的定义：
-
红黑树中的节点，一类被标记为黑色，一类被标记为红色；
-
根节点是黑色的；
-
每个叶子节点都是黑色的空节点（NIL），也就是说，叶子节点不存储数据；
-
任何相邻的节点都不能同时为红色，也就是说，红色节点是被黑色节点隔开的；
-
每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点；
查询红黑树的时间复杂度可以维持在O(logn)（证明过程可以参考《算法》等教材），不会因为极端操作而导致性能退化，因此对于动态插入、删除、查找等操作，使用红黑树性能比较稳定。
缺点：红黑树的实现非常复杂，如果自己写代码，难度很大，非要自己写代码的话，可以用跳表替代。
适用场景：在工程中，但凡用到动态插入、删除、查找数据的场景，都可以使用红黑树。
跳表和红黑树对比：
①对于插入、删除、查找以及迭代输出有序序列这几个操作，使用红黑树的时间复杂度跟跳表是一样的。但是，按照区间来查找数据这个操作，红黑树的效率没有跳表高。对于按照区间查找数据这个操作，跳表可以做到 O(logn) 的时间复杂度定位区间的起点，然后在原始链表中顺序往后遍历就可以了。
②跳表代码更容易实现。虽然跳表的实现也不简单，但比起红黑树来说还是好懂、好写多了。还有，跳表更加灵活，它可以通过改变索引构建策略，有效平衡执行效率和内存消耗。
这也是为什么Redis有序集合使用的是跳表而不是红黑树。