数据结构与算法（七）：搜索算法

news2024/11/16 23:40:37

参考引用

  • Hello 算法
  • Github：hello-algo

1. 二分查找

  • 二分查找（binary search）是一种基于分治策略的高效搜索算法。它利用数据的有序性，每轮减少一半搜索范围，直至找到目标元素或搜索区间为空为止

给定一个长度为 n 的数组 nums ，元素按从小到大的顺序排列，数组不包含重复元素。请查找并返回元素 target 在该数组中的索引。若数组不包含该元素，则返回 -1

  • 先初始化指针 i = 0 和 j = n - 1，分别指向数组首元素和尾元素，代表搜索区间 [0, n-1]。请注意，中括号表示闭区间，其包含边界值本身。接下来，循环执行以下两步
    • 计算中点索引 m = (i + j) / 2
    • 判断 nums[m] 和 target 的大小关系，分为以下三种情况
      • 当 nums[m] < target 时，说明 target 在区间 [m+1, j] 中，因此执行 i = m + 1
      • 当 nums[m] > target 时，说明 target 在区间 [i, m-1] 中，因此执行 j = m - 1
      • 当 nums[m] = target 时，说明找到 target ，因此返回索引 m

    若数组不包含目标元素，搜索区间最终会缩小为空。此时返回 -1

/* 二分查找（左闭右闭） */
// 时间复杂度：O(log n)
// 空间复杂度：O(1)
int binarySearch(vector<int> &nums, int target) {
    // 初始化双闭区间 [0, n-1] ，即 i, j 分别指向数组首元素、尾元素
    int i = 0, j = nums.size() - 1;
    // 循环，当搜索区间为空时跳出（当 i > j 时为空）
    while (i <= j) {
        int m = i + (j - i) / 2; // 计算中点索引 m（避免大数越界）
        if (nums[m] < target)    // 此情况说明 target 在区间 [m+1, j] 中
            i = m + 1;
        else if (nums[m] > target) // 此情况说明 target 在区间 [i, m-1] 中
            j = m - 1;
        else // 找到目标元素，返回其索引
            return m;
    }
    // 未找到目标元素，返回 -1
    return -1;
}

1.1 区间表示方法

  • 除了上述的左闭右闭区间外，常见的区间表示还有左闭右开区间，定义为 [0, n)，即左边界包含自身，右边界不包含自身。在该表示下，区间 [i, j] 在 i = j 时为空
    /* 二分查找（左闭右开） */
int binarySearchLCRO(vector<int> &nums, int target) {
    // 初始化左闭右开 [0, n) ，即 i, j 分别指向数组首元素、尾元素+1
    int i = 0, j = nums.size();
    // 循环，当搜索区间为空时跳出（当 i = j 时为空）
    while (i < j) {
        int m = i + (j - i) / 2; // 计算中点索引 m
        if (nums[m] < target)    // 此情况说明 target 在区间 [m+1, j) 中
            i = m + 1;
        else if (nums[m] > target) // 此情况说明 target 在区间 [i, m) 中
            j = m;
        else // 找到目标元素，返回其索引
            return m;
    }
    // 未找到目标元素，返回 -1
    return -1;
}

1.2 优点与局限性

  • 二分查找在时间和空间方面都有较好的性能

    • 二分查找的时间效率高。在大数据量下，对数阶的时间复杂度具有显著优势
    • 二分查找无须额外空间。相较于需要借助额外空间的搜索算法（例如哈希查找），二分查找更节省空间

  • 二分查找并非适用于所有情况

    • 二分查找仅适用于有序数据。若输入数据无序，为了使用二分查找而专门进行排序，得不偿失。因为排序算法的时间复杂度通常为 O(nlog n)，比线性查找和二分查找都更高
    • 二分查找仅适用于数组。二分查找需要跳跃式（非连续地）访问元素，而在链表中执行跳跃式访问的效率较低，因此不适合应用在链表或基于链表实现的数据结构
    • 小数据量下，线性查找性能更佳

2. 二分查找插入点

  • 二分查找不仅可用于搜索目标元素，还可搜索目标元素的插入位置

2.1 无重复元素的情况

给定一个长度为 n 的有序数组 nums 和一个元素 target ，数组不存在重复元素。现将 target 插入到数组 nums 中，并保持其有序性。若数组中已存在元素 target ，则插入到其左方。请返回插入后 target 在数组中的索引

在这里插入图片描述

  • 当数组中包含 target 时，插入点的索引是否是该元素的索引？

    • 题目要求将 target 插入到相等元素的左边，这意味着新插入的 target 替换了原来 target 的位置。也就是说，当数组包含 target 时，插入点的索引就是该 target 的索引

  • 当数组中不存在 target 时，插入点是哪个元素的索引？

    • 当 nums[m] < target 时 i 移动，这意味着指针 i 在向大于等于 target 的元素靠近。同理，指针 j 始终在向小于等于 target 的元素靠近
    • 因此二分结束时一定有：i 指向首个大于 target 的元素，j 指向首个小于 target 的元素
    • 综上所述，当数组不包含 target 时，插入索引为 i
    /* 二分查找插入点（无重复元素） */
int binarySearchInsertionSimple(vector<int> &nums, int target) {
    int i = 0, j = nums.size() - 1; // 初始化双闭区间 [0, n-1]
    while (i <= j) {
        int m = i + (j - i) / 2; // 计算中点索引 m
        if (nums[m] < target) {
            i = m + 1; // target 在区间 [m+1, j] 中
        } else if (nums[m] > target) {
            j = m - 1; // target 在区间 [i, m-1] 中
        } else {
            return m; // 找到 target ，返回插入点 m
        }
    }
    // 未找到 target ，返回插入点 i
    return i;
}

2.2 存在重复元素的情况

  • 假设数组中存在多个 target，则普通二分查找只能返回其中一个 target 的索引，而无法确定该元素的左边和右边还有多少 target。题目要求将目标元素插入到最左边，所以需要查找数组中最左一个 target 的索引
  • 每轮先计算中点索引 m，再判断 target 和 nums[m] 大小关系，分为以下几种情况
    • 当 nums[m] < target 或 nums[m] > target 时，说明还没有找到 target，因此采用普通二分查找的缩小区间操作，从而使指针 i 和 j 向 target 靠近
    • 当 nums[m] == target 时，说明小于 target 的元素在区间 [i, m-1] 中，因此采用 j = m-1 来缩小区间，从而使指针 j 向小于 target 的元素靠近（对应寻找最左一个 target 的索引）
  • 循环完成后，i 指向最左边的 target，j 指向首个小于 target 的元素，因此索引 i 就是插入点
    /* 二分查找插入点（存在重复元素） */
int binarySearchInsertion(vector<int> &nums, int target) {
    int i = 0, j = nums.size() - 1; // 初始化双闭区间 [0, n-1]
    while (i <= j) {
        int m = i + (j - i) / 2; // 计算中点索引 m
        if (nums[m] < target) {
            i = m + 1; // target 在区间 [m+1, j] 中
        } else if (nums[m] > target) {
            j = m - 1; // target 在区间 [i, m-1] 中
        } else {
            j = m - 1; // 首个小于 target 的元素在区间 [i, m-1] 中
        }
    }
    // 返回插入点 i
    return i;
}

3. 二分查找边界

给定一个长度为 n 的有序数组 nums，数组可能包含重复元素。请返回数组中最左一个元素 target 的索引。若数组中不包含该元素，则返回 -1

3.1 查找左边界

  • 二分查找插入点的方法，搜索完成后 i 指向最左一个 target，因此查找插入点本质上是在查找最左一个 target 的索引。因此考虑通过查找插入点的函数实现查找左边界
    • 请注意，数组中可能不包含 target，这种情况可能导致以下两种结果
      • 插入点的索引 i 越界
      • 元素 nums[i] 与 target 不相等

    当遇到以上两种情况时，直接返回 -1 即可

    /* 二分查找最左一个 target */
int binarySearchLeftEdge(vector<int> &nums, int target) {
    // 等价于查找 target 的插入点
    int i = binarySearchInsertion(nums, target);
    // 未找到 target ，返回 -1
    if (i == nums.size() || nums[i] != target) {
        return -1;
    }
    // 找到 target ，返回索引 i
    return i;
}

3.2 查找右边界

  • 可以利用查找最左元素的函数来查找最右元素，具体方法为

    • 将查找最右一个 target 转化为查找最左一个 target + 1

  • 如下图示，查找完成后，指针 i 指向最左一个 target + 1（如果存在），而 j 指向最右一个 target，因此返回 j 即可

在这里插入图片描述

返回的插入点是 i，因此需要将其减 1，从而获得 j

/* 二分查找最右一个 target */
int binarySearchRightEdge(vector<int> &nums, int target) {
    // 转化为查找最左一个 target + 1
    int i = binarySearchInsertion(nums, target + 1);
    // j 指向最右一个 target ，i 指向首个大于 target 的元素
    int j = i - 1;
    // 未找到 target ，返回 -1
    if (j == -1 || nums[j] != target) {
        return -1;
    }
    // 找到 target ，返回索引 j
    return j;
}

4. 哈希优化策略

  • 通过将线性查找替换为哈希查找来降低算法的时间复杂度

给定一个整数数组 nums 和一个目标元素 target ，请在数组中搜索 “和” 为 target 的两个元素，并返回它们的数组索引。返回任意一个解即可

4.1 线性查找：以时间换空间

  • 考虑直接遍历所有可能的组合。如下图所示，开启一个两层循环，在每轮中判断两个整数的和是否为 target，若是则返回它们的索引

在这里插入图片描述

/* 方法一：暴力枚举 */
// 时间复杂度：O(n^2)   大数据量下非常耗时
// 空间复杂度：O(1)
vector<int> twoSumBruteForce(vector<int> &nums, int target) {
    int size = nums.size();
    // 两层循环，时间复杂度 O(n^2)
    for (int i = 0; i < size - 1; i++) {
        for (int j = i + 1; j < size; j++) {
            if (nums[i] + nums[j] == target)
                return {i, j};
        }
    }
    return {};
}

4.2 哈希查找：以空间换时间

  • 考虑借助一个哈希表，键值对分别为数组元素和元素索引。循环遍历数组，每轮执行下图所示的步骤
    • 判断数字 target - nums[i] 是否在哈希表中，若是则直接返回这两个元素的索引
    • 将键值对 nums[i] 和索引 i 添加进哈希表

在这里插入图片描述

/* 方法二：辅助哈希表 */
// 时间复杂度：O(n)
// 空间复杂度：O(n)
// 该方法的整体时空效率更为均衡，因此它是本题的最优解法
vector<int> twoSumHashTable(vector<int> &nums, int target) {
    int size = nums.size();
    // 辅助哈希表，空间复杂度 O(n)
    unordered_map<int, int> dic;
    // 单层循环，时间复杂度 O(n)
    for (int i = 0; i < size; i++) {
        if (dic.find(target - nums[i]) != dic.end()) {
            return {dic[target - nums[i]], i};
        }
        dic.emplace(nums[i], i);
    }
    return {};
}

5. 重识搜索算法

  • 搜索算法用于在数据结构（例如数组、链表、树或图）中搜索一个或一组满足特定条件的元素
  • 搜索算法可根据实现思路分为以下两类
    • 通过遍历数据结构来定位目标元素，例如数组、链表、树和图的遍历等
    • 利用数据组织结构或数据包含的先验信息，实现高效元素查找，例如二分查找、哈希查找和二叉搜索树查找等

5.1 暴力搜索

  • 暴力搜索通过遍历数据结构的每个元素来定位目标元素

    • “线性搜索” 适用于数组和链表等线性数据结构
      • 它从数据结构的一端开始，逐个访问元素，直到找到目标元素或到达另一端仍没有找到目标元素为止
    • “广度优先搜索” 和 “深度优先搜索” 是图和树的两种遍历策略
      • 广度优先搜索从初始节点开始逐层搜索，由近及远地访问各个节点
      • 深度优先搜索是从初始节点开始，沿着一条路径走到头为止，再回溯并尝试其他路径，直到遍历完整个数据结构

  • 暴力搜索的优点是简单且通用性好，无须对数据做预处理和借助额外的数据结构

    • 然而，此类算法的时间复杂度为 O(n)，其中 n 为元素数量，因此在数据量较大的情况下性能较差

5.2 自适应搜索

  • 自适应搜索利用数据的特有属性（例如有序性）来优化搜索过程，从而更高效地定位目标元素
    • 二分查找
      • 利用数据的有序性实现高效查找，仅适用于数组
    • 哈希查找
      • 利用哈希表将搜索数据和目标数据建立为键值对映射，从而实现查询操作
    • 树查找
      • 在特定的树结构（例如二叉搜索树）中，基于比较节点值来快速排除节点，从而定位目标元素
  • 此类算法效率高，时间复杂度可达 O(log n) 甚至 O(1)。但使用这些算法前往往需要对数据进行预处理
    • 二分查找需要预先对数组进行排序
    • 哈希查找和树查找都需要借助额外的数据结构
    • 维护这些数据结构也需要额外的时间和空间开支

5.3 搜索方法对比

在这里插入图片描述

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1074081.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

WebDAV之π-Disk派盘 + 咕咚云图

WebDAV之π-Disk派盘 + 咕咚云图

咕咚云图是一款强大的图床传图软件，它能够让您高效地对手机中的各种图片进行github传输，多个平台快速编码上传，支持远程删除不需要的图片，传输过程安全稳定，让您可以很好的进行玩机或者其他操作。 可帮你上传手机图片到图床上，并生成 markdown 链接，支持七牛云、阿里云…
阅读更多...
SRM系统快速便捷退货的解决方案

SRM系统快速便捷退货的解决方案

一、SRM系统简介&#xff1a; SRM系统是一种基于互联网技术的供应链管理解决方案&#xff0c;旨在加强供应商与采购商之间的合作关系&#xff0c;优化供应链的效率和可靠性。它提供了一系列功能模块&#xff0c;包括采购管理、供应商管理、订单管理、物流管理等。其中&#xf…
阅读更多...
平衡小车调车保姆式教程

平衡小车调车保姆式教程

前言 &#xff08;1&#xff09;硬件选型注意点&#xff1a;电机转速、轮子大小 &#xff08;2&#xff09;车模硬件结构注意点&#xff1a;车模整体的重量要分布均匀&#xff0c;利于平衡 &#xff08;3&#xff09;硬件主要模块&#xff1a;陀螺仪、编码器电机、显示屏、驱动…
阅读更多...
ElasticSearch搜索引擎：数据的写入流程

ElasticSearch搜索引擎：数据的写入流程

一、ElasticSearch 写数据的总体流程&#xff1a; &#xff08;1&#xff09;ES 客户端选择一个节点 node 发送请求过去&#xff0c;这个节点就是协调节点 coordinating node &#xff08;2&#xff09;协调节点对 document 进行路由&#xff0c;通过 hash 算法计算出数据应该…
阅读更多...
设计模式 - 结构型模式考点篇：适配器模式（类适配器、对象适配器、接口适配器）

设计模式 - 结构型模式考点篇：适配器模式（类适配器、对象适配器、接口适配器）

目录 一、适配器模式 一句话概括结构式模式 1.1、适配器模式概述 1.2、案例 1.2.1、类适配器模式实现案例 1.2.2、对象适配器 1.2.3、接口适配器 1.3、优缺点&#xff08;对象适配器模式&#xff09; 1.4、应用场景 一、适配器模式 一句话概括结构式模式 教你将类和对…
阅读更多...
剑指offer——JZ68 二叉搜索树的最近公共祖先 解题思路与具体代码【C++】

剑指offer——JZ68 二叉搜索树的最近公共祖先 解题思路与具体代码【C++】

一、题目描述与要求 二叉搜索树的最近公共祖先_牛客题霸_牛客网 (nowcoder.com) 题目描述 给定一个二叉搜索树, 找到该树中两个指定节点的最近公共祖先。 1.对于该题的最近的公共祖先定义:对于有根树T的两个节点p、q&#xff0c;最近公共祖先LCA(T,p,q)表示一个节点x&#…
阅读更多...
头戴式耳机哪个牌子音质好？Y2K的福音！Umelody轻律 U1头戴式耳机分享

头戴式耳机哪个牌子音质好？Y2K的福音！Umelody轻律 U1头戴式耳机分享

作为一款国产头戴式蓝牙耳机&#xff0c;Umelody轻律 U1绝对是性价比之选&#xff0c;可以说是Y2K的福音&#xff0c;复古味十足的设计&#xff0c;快捷方便的蓝牙连接和多功能实用的操作方式&#xff0c;最关键的还是价格低&#xff0c;300元的价格不到就可以拿下。 创始团队…
阅读更多...
在Remix中编写你的第一份智能合约

在Remix中编写你的第一份智能合约

智能合约简单来讲就是&#xff1a;部署在去中心化区块链上的一个合约或者一组指令&#xff0c;当这个合约或者这组指令被部署以后&#xff0c;它就不能被改变了&#xff0c;并会自动执行&#xff0c;每个人都可以看到合约里面的条款。更深层次的理解就是&#xff1a;这些代码会…
阅读更多...
vue实现自定义滚动条

vue实现自定义滚动条

vue实现自定义滚动条 具体效果如下&#xff0c;这边我用的rem单位&#xff0c;比例是1:40&#xff0c; 先写下页面布局&#xff0c;把原生的滚动条给隐藏掉&#xff0c;给自定义的滑块增加transition: marginLeft 1s linear;可以使左边距过度的更顺滑 .top-box-2::-webkit-scr…
阅读更多...
基于spso算法的航线规划

基于spso算法的航线规划

matlab2020a GitHub - duongpm/SPSO: Spherical Vector-based Particle Swarm Optimization
阅读更多...
智能集成式电力电容器在山东某环保材料制造厂中的应用-安科瑞黄安南

智能集成式电力电容器在山东某环保材料制造厂中的应用-安科瑞黄安南

摘要 分析智能集成式电力电容的工作原理及功能&#xff0c;结合山东环保材料制造厂配电现状&#xff0c;选择经济可靠的方案&#xff0c;智能电容过零投切与低功耗&#xff0c;解决了继电器投切产生涌流的问题&#xff1b;接线简单&#xff0c;扩容方便&#xff0c;解决无功补…
阅读更多...
MIPS汇编语言实现hello world和冒泡排序

MIPS汇编语言实现hello world和冒泡排序

WinMIPS64的IO方法输出hello world 编写一个简单的终端输出“Hello World&#xff01;&#xff01;”的小程序&#xff0c;首先写好一些数据包括CONTROL和DATA的地址以及字符串Hello World&#xff0c;然后将CONTROL和DATA的地址存储在寄存器中以之作为基址&#xff0c;将字符…
阅读更多...
零基础快速自学SQL，2天足矣。

零基础快速自学SQL，2天足矣。

此文是《10周入门数据分析》系列的第6篇。 想了解学习路线&#xff0c;可以先行阅读“ 学习计划 | 10周入门数据分析 ” 上一篇分享了数据库的基础知识&#xff0c;以及如何安装数据库&#xff0c;今天这篇分享数据库操作和SQL。 SQL全称是 Structured Query Language&#x…
阅读更多...
什么是Web组件（Web Components）？它们的主要部分有哪些？

什么是Web组件（Web Components）？它们的主要部分有哪些？

聚沙成塔每天进步一点点 ⭐ 专栏简介 前端入门之旅&#xff1a;探索Web开发的奇妙世界 欢迎来到前端入门之旅&#xff01;感兴趣的可以订阅本专栏哦&#xff01;这个专栏是为那些对Web开发感兴趣、刚刚踏入前端领域的朋友们量身打造的。无论你是完全的新手还是有一些基础的开发…
阅读更多...
深度学习笔记之优化算法(五)AdaGrad算法的简单认识

深度学习笔记之优化算法(五)AdaGrad算法的简单认识

机器学习笔记之优化算法——AdaGrad算法的简单认识 引言回顾&#xff1a;动量法与Nesterov动量法优化学习率的合理性AdaGrad算法的简单认识AdaGrad的算法过程描述 引言 上一节对 Nesterov \text{Nesterov} Nesterov动量法进行了简单认识&#xff0c;本节将介绍 AdaGrad \text{…
阅读更多...
华为云云耀云服务器L实例评测｜测试CentOS的网络配置和访问控制

华为云云耀云服务器L实例评测｜测试CentOS的网络配置和访问控制

目录 引言 1 理解几个基础概念 2 配置VPC、子网以及路由表 3 配置安全组策略和访问控制规则 3.1 安全组策略和访问控制简介 3.2 配置安全组策略 3.3 安全组的最佳实践 结论 引言 在云计算时代&#xff0c;网络配置和访问控制是确保您的CentOS虚拟机在云环境中安全运行的…
阅读更多...
每个前端都要学的【前端自动化部署】，Devops，CI/CD

每个前端都要学的【前端自动化部署】，Devops，CI/CD

原文发布于&#xff1a;2023-09-21 11:50 作者&#xff1a;65岁退休Coder 原文链接&#xff1a;https://juejin.cn/post/7102360505313918983 DevOps 当我们提到 Jenkins&#xff0c;大家首先想到的概念就是 CI/CD&#xff0c;在这之前我们应该再了解一个概念。 DevOps&#…
阅读更多...
3.springcloudalibaba gateway项目搭建

3.springcloudalibaba gateway项目搭建

文章目录 前言一、搭建gateway项目1.1 pom配置1.2 新增配置如下 二、新增server服务2.1 pom配置2.2新增测试接口如下 三、测试验证3.1 分别启动两个服务&#xff0c;查看nacos是否注册成功3.2 测试 总结 前言 前面已经完成了springcloudalibaba项目搭建&#xff0c;接下来搭建…
阅读更多...
js 之让人迷惑的闭包

js 之让人迷惑的闭包

文章目录 一、闭包是什么&#xff1f; &#x1f926;‍♂️二、闭包 &#x1f60e;三、使用场景 &#x1f601;四、使用场景&#xff08;2&#xff09; &#x1f601;五、闭包的原理六、思考总结一、 更深层次了解闭包&#xff0c;分析以下代码执行过程二、闭包三、闭包定义四、…
阅读更多...
每日一题 2578. 最小和分割（简单，模拟）

每日一题 2578. 最小和分割（简单，模拟）

思路&#xff1a; 拆分 num 的每一位数字&#xff0c;将他们排序。最大的两个放在个位&#xff0c;其次两个放十位&#xff0c;以此类推。注意并不需要重新组合出 num1 和 num2 &#xff0c;他只要和即可。优化&#xff0c;可以不使用排序&#xff0c;因为只有 0 到 9 一共十个…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023