分析数据结构中——顺序查找 分块查找 折半查找 二叉排序树 散列查找

顺序查找：

       也称为线性查找，是一种最简单的查找方法。它的基本思想是从头开始，逐个比较待查找元素与数组中的元素，直到找到目标元素或遍历完所有元素为止

平均查找长度（ASL）： (n+1)/2

在等概率情况下，即每个元素被查找的概率相同，为1/n，顺序查找成功的平均查找长度可以表示为 (1 + 2 + ... + n) / n，这个和式代表从第一个元素到第n个元素，每次查找成功时所需要比较的次数的平均值

时间复杂度：

最坏情况：在最坏的情况下，顺序查找需要遍历整个数据集，这时的时间复杂度为O(n)，其中n为数据集的大小。

平均情况：即使在平均情况下，顺序查找也需要比较大约一半的数据集，其时间复杂度仍然是O(n)。

最好情况：在最好的情况下，目标元素位于数据集的开始位置，这时只需一次比较即可完成查找，时间复杂度为O(1)

空间复杂度：

顺序查找的空间复杂度为O(1)，因为它不需要额外的存储空间，只需要一个变量来记录当前查找的位置

优缺点：

顺序查找的原理简单易懂，实现起来较为方便，适用于小型数据集或有序的情况。

对于大型数据集，顺序查找的效率较低，尤其是当数据集无序时，性能会大打折扣。

顺序查找对存储结构没有要求，适用于顺序存储或链接存储的线性表。

尽管可以引入“哨兵”等优化方法来避免边界检查，从而提高一些效率，但整体上仍然无法改变其O(n)的时间复杂度。

分块查找：

分块查找算法的过程包括两个主要步骤：首先在索引表中确定待查记录所属的分块，然后在这个分块内进行顺序查找。索引表通常采用二分查找或顺序查找方法，因为索引表是有序的，可以高效地定位到具体的块。一旦确定了具体的块，就在该块内进行逐元素的顺序查找。这种方法的优点在于，即使在块内的元素无序，也能通过索引表快速缩小查找范围

平均查找长度（ASL）：

𝑆𝐿𝑏𝑙𝑘≈log⁡2(𝑏+1)−1+(𝑠+1)/2ASLblk​≈log2​(b+1)−1+(s+1)/2

从时间复杂度来看，分块查找的平均查找长度（ASL）可以近似表示𝐴𝑆𝐿𝑏𝑙𝑘=𝐴𝑆𝐿𝑏𝑛+𝐴𝑆𝐿𝑠𝑞ASLblk​=ASLbn​+ASLsq​，其中 𝐴𝑆𝐿𝑏𝑛ASLbn​ 是在索引表中采用二分查找的平均查找长度，𝐴𝑆𝐿𝑠𝑞ASLsq​ 是在块内进行顺序查找的平均查找长度。具体公式可以表示为 𝐴𝑆𝐿𝑏𝑙𝑘≈log⁡2(𝑏+1)−1+(𝑠+1)/2ASLblk​≈log2​(b+1)−1+(s+1)/2，其中 b 是分块的数量，s 是每一块中元素的数量。这表明，分块查找的效率取决于块的数量和块的大小

时间复杂度：

时间复杂度在最坏情况下为O(n)，但如果每一块内的元素数量相同，则在最好情况下可达到O(log n)。

空间复杂度：

分块查找需要额外的存储空间来存放索引表，这会带来一定的存储开销

优缺点：

优点：插入和删除比较容易，无需大量的移动。

缺点：要增加一个索引的储存空间并对初始索引表进行排序运算

折半查找：

折半查找仅适用于已排序的顺序表，通过不断将待查找区间分为两半来缩小查找范围，直到找到目标元素或区间长度为零为止。具体来说，该算法首先设置两个指针low和high，分别指向序列的首尾。然后计算中间位置mid = (low + high) / 2，并比较中间元素与目标值的大小。如果目标值大于中间元素，则在右半部分继续查找；如果小于中间元素，则在左半部分查找。这个过程会一直重复，直到找到目标元素或者low > high时停止，然而，折半查找也有其局限性。它要求数据结构为顺序存储且已排序，因此不适用于频繁插入或删除操作的动态数据集

平均查找长度（ASL）：log₂(n+1)

折半查找（二分查找）的平均查找次数取决于数据结构的大小，具体为log₂(n+1)向上取整，其中n为数据集中元素的个数

时间复杂度：O(log n)

空间复杂度：O(1)

折半查找在时间效率上表现出色，但在空间使用上极为经济，几乎不需要额外的存储空间

优缺点:

优点：效率比顺序查找高

缺点：只适用于有序表，且限于顺序存储结构

二叉排序树:

也称为二叉搜索树（Binary Search Tree）或简称BST，是数据结构中的一种高效查找结构,二叉排序树是一种具有以下性质的二叉树：若它的左子树不空，则左子树上所有节点的值均小于它的根节点的值；若它的右子树不空，则右子树上所有节点的值均大于其根节点的值。任何节点的键值一定大于其左子树中的每一个节点的键值，并小于其右子树中的每一个节点的键值。这意味着，二叉排序树通过递归地将数据集合分成更小的部分来提高查找效率，从而确保了树的有序性

查找效率：

二叉排序树（BST，Binary Sort Tree）查找效率取决于其树的高度。最好情况下是O(log n)，最坏情况下是O(n)。具体分析如下：

1. 最好情况：当二叉排序树高度平衡时，查找操作的时间复杂度为O(log n)。在这种情况下，二叉排序树的查找过程类似于折半查找，每次比较都能将搜索范围缩小一半。假设树的高度为h，并且每个层级都是完全填满的，则树的高度h = log₂(n+1)，其中n是节点的数量。
2. 最坏情况：如果二叉排序树完全不平衡，形成倾斜的单支树，那么查找操作的时间复杂度会退化为O(n)。这种情况下，二叉排序树的性能与顺序查找相同，因为需要依次访问每个节点才能找到目标节点。这种极端情况通常出现在插入的数据已经有序的情况下。
3. 一般情况：在一般情况下，二叉排序树的查找效率介于O(log n)和O(n)之间。具体时间复杂度取决于树的形态。为了维持较高的查找性能，通常需要通过自平衡二叉搜索树（如AVL树或红黑树）来确保树保持一定的平衡度。

综上所述，二叉排序树的效率不仅依赖于数据结构本身，还受到数据插入顺序的影响。为了保持高效的查找性能，实际应用中通常使用自平衡二叉搜索树来避免最坏情况的发生。

时间复杂度：

查找操作：最好情况（平衡树）下为O(log n)，最坏情况（倾斜树）下为O(n)。在平衡状态下，二叉排序树的查找效率最高，因为树的高度最小，每次比较都能将搜索范围缩小一半。而在最坏情况下，如果树完全不平衡，会形成倾斜的单支树，查找效率会退化为顺序查找的水平。​​​​​​

插入和删除操作：同样依据树的高度，时间复杂度在最好情况下为O(log n)，最坏情况下为O(n)。插入操作首先需要查找插入点，然后修改节点指针。删除操作更复杂，不仅需要查找节点，还要进行节点的移除和子树的调整。

空间复杂度：

​​​​​​​存储要求：二叉排序树需要树形结构，每个节点包含数据、指向左子树和右子树的指针，因此空间复杂度为O(n)，n为节点数量。树的存储需要占用较多的空间，因为它不仅要存储节点的值，还要存储节点之间的逻辑关系。

优缺点：

1. • 快速查找：在平衡状态下，二叉排序树的查找操作时间复杂度为O(log n)，比线性查找更快。
   • 高效插入和删除：二叉排序树不仅查询快，而且增删速度也相对较快。
   • 自动排序：二叉排序树在插入数据时能自动进行排序，使得树的中序遍历结果是升序的。
   • 便利的极值查找：可以方便地查找最小值和最大值，最小值即为最左边的节点，最大值即为最右边的节点。
2. 缺点
   • 最坏情况效率低：如果插入的数据已经有序，二叉排序树会形成倾斜的单支树，查找效率会退化为O(n)。
   • 稳定性问题：若树不平衡，则可能需要在查找、插入和删除操作中遍历多个层级，降低效率。
   • 空间开销大：每个节点需要存储额外的指针信息，导致空间开销较大。

散列查找：

散列查找（Hash Search）是一种高效的数据检索方法，通过将键值映射到特定地址，并在该地址上进行查找操作。在记录的存储位置与它的关键字之间建立一个确定的对应关系h，以线性表中每个元素的关键字K为自变量，通过函数h(K)计算出该元素的存储位置。这个函数h称为散列函数（Hash Function），其值称为散列地址或哈希地址。例如，对于一组关键字，可以选择一个简单的散列函数如 h(K)=K%m，其中m是表的长度。这种计算方法可以确保关键字均匀地映射到不同的存储位置上

平均查找长度（ASL）：

散列查找的平均查找长度（ASL）取决于具体的散列函数和冲突处理方法，理想情况下为O(1)，最坏情况下接近O(n)。

时间复杂度：O(1)

空间复杂度：O(n)

注：内容有可能不完全或者遗漏