typedef int ElemType;
C版本号
【递归版本号】
int binSearch2(ElemType List[] ,int x,int head,int tail){ //递归版本号 while(head<=tail){ int mid=(head+tail)/2; if(List[mid]==x){ return mid; } else if(List[mid]>x){ return binSearch2(List,x,head,mid-1); } else{ return binSearch2(List,x,mid+1,tail); } } return -1; }
【迭代版本号】
int binSearch(ElemType List[] ,int x,int head,int tail){ //循环版本号 while(head<=tail){ int mid=(head+tail)/2; if(List[mid]==x) return mid; else if(List[mid]>x){ //注意别写反 tail=mid-1; } else{ head=mid+1; } } return -1; }
C++版本号
上面是之前C语言的版本号。这里用C++再来实现。有三个版本号,顺便进行效率的分析。
【版本号A】
template <typename T> static int Binsearcha(T *arr ,int lo,int hi,T x){ while(lo < hi){ int mid = (lo + hi) >>1; if(x <arr[mid]) hi = mid; else if (arr[mid] < x) lo = mid + 1; else return mid; } return -1; //查找失败 }先看是否在左边,再看是否在右边,都不是就找到了。能够看出每次循环,假设x小于mid位置的元素 仅仅须要一次比較 。 而当mid位置的元素小于x则须要两次比較。这样就造成了效率的分差。即:当所找的元素在左边效率高。在右边效率低。经过课上的分析得出,版本号A的算法平均效率为Θ(1.50 log(n))。
怎么优化呢? 左边查找效率高,右边效率低,那么我们取mid的时候不在中间取,而是多往hi靠近。
也就是说增长左边的区间,缩短右边的区间。这样就能尽量的“平均”分配。 经过证明这个比例的最优版本号就是黄金切割 0.618: 0.382; 也就是斐波那契相邻两个数的比例。
所以这个优化也能够称作是斐波那契查找。平均效率Θ(1.44 log(n)); 是这样的方法的最优效率。
由于版本号B,C的二分查找效率更高 所以这里也不给出斐波那契查找的算法实现了。
版本号A之所以效率低,无非是左右两边查找效率不同所致。事实上我们能够让他们变得同样。
【版本号 B】
template <typename T> static int Binsearchb(T *arr ,int lo,int hi,T x){ while(1 < hi - lo){ int mid = (lo + hi) >>1; if(x <arr[mid]) hi = mid; else lo = mid; } return (x == arr[lo]) ?lo : -1; }
仅仅用if else 每次将区间分成两部分,取其一就可以。这样不管是大还是小都仅仅需比較1次。然后不断压缩区间。
由于STL中区间都是左闭又开的[ a , b ) ,所以终于hi - lo == 1 终止循环就可以, lo 所在位置就是所找的元素。
【版本号C】
template <typename T> static int Binsearchc(T *arr ,int lo,int hi,T x){ while(lo < hi){ int mid = (lo + hi) >>1; if(x <arr[mid]) hi = mid; else lo = mid+1; } return --lo; }
为了实现其它接口(比如 insert)的调用,我们希望这个函数返回的是 在arr中不大于x最后一个位置,因此在切割区间的时候我们我们尽量用lo去逼近所要查找的值
终于结果无非是两个,①lo刚好等于要找的元素,②找到比要查找元素大的那个数(即序列中没有所找的元素x)。然后返回 -- lo , 也就是(在arr中不大于x的最后一个位置);
能够看出在最好的情况版本号A的效率是O(1) , 平均效率 Θ(1.50 log(n))。
版本号B和C的效率一直是 Θ(log(n)); 显然后者要更好。