准备知识
- 基本的二分法该如何写
- 第一个位置,最后一个位置该如何变化
- Big O,时间复杂度,空间复杂度
- 什么是递归,二分法用递归如何实现
- 内存中的栈空间和堆空间有什么区别
- 什么是 Stack Overflow,什么情况下会造成 Stack Overflow
常见的算法时间复杂度
复杂度 | 可能对应的算法 | 备注 |
---|---|---|
O(1) | 位运算 | 常数级复杂度,一般面试中不会有 |
O(logn) | 二分法,倍增法,快速幂算法,辗转相除法 | |
O(n) | 枚举法,双指针算法,单调栈算法,KMP算法,Rabin Karp,Manacher’s Algorithm | 又称作线性时间复杂度 |
O(nlogn) | 快速排序,归并排序,堆排序 | |
O(n^2) | 枚举法,动态规划,Dijkstra | |
O(n^3) | 枚举法,动态规划,Floyd | |
O(2^n) | 与组合有关的搜索问题 | |
O(n!) | 与排列有关的搜索问题 |
二分法的优势
与哈希表的比较
查找一个元素是否存在于某个集合中,通常使用哈希表的算法,可以达到O(1)的时间复杂度,但是,
哈希表通常放在内存里,对于一个含有很多元素的集合来说,哈希表可能就比较吃力了。
此时,使用二分法,便可以显现出优势。
通用二分法模板
代码
public class Solution {
/**
* @param A an integer array sorted in ascending order
* @param target an integer
* @return an integer
*/
public int findPosition(int[] nums, int target) {
if (nums == null || nums.length == 0) {
return -1;
}
int start = 0, end = nums.length - 1;
// 要点1: start + 1 < end
while (start + 1 < end) {
// 要点2:start + (end - start) / 2
int mid = start + (end - start) / 2;
// 要点3:=, <, > 分开讨论,mid 不+1也不-1
if (nums[mid] == target) {
return mid;
} else if (nums[mid] < target) {
start = mid;
} else {
end = mid;
}
}
// 要点4: 循环结束后,单独处理start和end
if (nums[start] == target) {
return start;
}
if (nums[end] == target) {
return end;
}
return -1;
}
}
解析
Q: 为什么要用 start + 1 < end?而不是 start < end 或者 start <= end?
分析:
- start < end ,结束循环时,筛选范围内还剩 1 个元素
- start <= end, 结束循环时,筛选范围内没有元素了
- start + 1 < end, 结束循环时,筛选范围内还剩 2 个元素
A: 为了避免死循环。二分法的模板中,整个程序架构分为两个部分:
- 通过 while 循环,将区间范围从 n 缩小到 2 (只有 start 和 end 两个点)。
- 在 start 和 end 中判断是否有解。
start < end 或者 start <= end 在寻找目标最后一次出现的位置的时候,出现死循环。
Q: 为什么明明可以 start = mid + 1 偏偏要写成 start = mid?
A: 大部分时候,mid 是可以 +1 和 -1 的。在一些特殊情况下,比如寻找目标的最后一次出现的位置时,当 target 与 nums[mid] 相等的时候,是不能够使用 mid + 1 或者 mid - 1 的。因为会导致漏掉解。那么为了节省脑力,统一写成 start = mid / end = mid 并不会造成任何解的丢失,并且也不会损失效率——log(n) 和 log(n+1) 没有区别。