浅析二分查找

二分查找法

1.含义:二分查找算法,也叫折半查找算法。二分查找的思想非常简单,有点类似分治的思想。二分查找针对的是一个有序的数据集合,每次都通过跟区间的中间元素对比,将待查找的区间缩小为之前的一半,直到找到要查找的元素,或者区间缩小为0

2.使用条件:题目强调数组中为有序数组,且无重复元素,因为一旦有重复元素,使用二分查找法返回的元素下标可能不是唯一的。

3.注意要点:边界条件的控制,二分查找涉及的很多的边界条件,逻辑比较简单,但有些东西容易混乱。例如到底是while(left<right)还是while(left<=right),到底是right=middle呢,还是要right=middle-1?混乱的主要原因是因为对区间的定义没有想清楚,区间的定义就是不变量。要在二分查找的过程中,保持不变量,就是在while寻找中每一次边界的处理都要坚持根据区间的定义来操作,这就是循环不变量规则。

4.二分法的区间定义:二分法的区间的定义一般分为两种,左闭右闭即[left,right],或者左闭右开即[left,right)。

5.二分法的第一种写法:我们将区间设定为[left,right],区间的定义决定了二分法代码应该如何写,定义目标值target在[left,right]区间有如下两点

1.while(left<=right)要使用<=,因为left==right是有意义的,所以使用<=
2.if(nums[middle]>target) right要赋值为middle-1,因为当前这个nums[middle]一定不是target,那么接下来要查找的左区间结束下标位置就是middle-1

代码如下

class solution
{
public:
	int search(vector<int> & nums,int target)
	{
		int left = 0;
		int right = nums.size()-1;
		while(left <= right)
		{
			int middle = (left + right)/2;
			if(nums[middle] > target)
			{
				right = middle - 1;
			}
			else if(nums[middle] < target)
			{
				left = middle + 1;
			}
			else
			{
				return middle;
			}
		}
		return -1;
	}
}

6.二分法的第二种写法

定义 目标值target是在一个左闭右开的区间里,也就是[left,right),那么二分法的处理方式为

1.while(left < right),这里使用<,因为left==right在区间[left,right)是没有意义的。
2.if(nums[middle] > target) right 更新为middle,因为当前nums[middle]不等于target,因为寻找区间是左闭右开区间,所以right更新为middle,即:下一个查询区间不会去比较nums[middle]

代码如下:

class solution
{
public:
	int search(vector<int> &nums,int target)
	{
		int left = 0;
		int right = nums.size();
		while(left < right)
		{
			int middle = (left + right)/2;
			if(nums[middle] > target)
			{
				right = middle;
			}
			else if(numms[middle]<target)
			{
				left = middle + 1;
			}
			else
			{
				return middle;
			}
		}
		return -1;
	}
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
差分进化算法(Differential Evolution,DE)是一种基于种群的随机搜索算法,具有以下优缺点: 优点: 1. 高效性:DE算法具有良好的全局搜索能力和快速的收敛速度,尤其在高维问题中表现较为出色。 2. 简单易实现:DE算法的思路简单,易于理解和实现,且不需要对目标函数进行任何假设或限制。 3. 对初始值不敏感:DE算法对初始值不敏感,能够在不同的初始值下得到相似的优化结果。 4. 适用性广泛:DE算法适用于多种优化问题,如函数优化、组合优化、机器学习等领域,具有广泛的应用前景。 缺点: 1. 参数设置困难:DE算法中需要设置种群大小、变异因子、交叉概率等多个参数,参数选择对算法效果具有较大的影响,需要进行反复试验和调整。 2. 易陷入局部最优:DE算法在搜索过程中可能会陷入局部最优解,特别是在目标函数具有多个峰值或存在大量噪声时。 3. 算法复杂度高:DE算法的计算复杂度较高,需要进行大量的重复计算和比较操作。 4. 需要大量的迭代次数:DE算法需要进行大量的迭代计算,因此在处理大规模问题时,计算时间会比较长。 综上所述,DE算法具有高效性、简单易实现、适用性广泛等优点,但也存在参数设置困难、易陷入局部最优、算法复杂度高、需要大量的迭代次数等缺点。需要根据具体问题的特点和要求,选择合适的优化算法进行求解。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值