四、搜索算法

线性搜索

特点：适用于随机的数据，从头开始，一个个查找。随着数据量增大，查找越耗时。
步骤：
1. i<n时进行查找
2. 找到break跳出循环，找不到i++
3. 循环结束时，i<n则i是下标，i=n则没找到

二分搜索

特点：适用于已经排好序的数据，找到中间数据，通过比较判断数据在中间数据的哪一边，再将剩下的数据分为两半，不停查找（查找范围缩小一半）
步骤：
1. 当查找数据大于1时进行查找
2. 当等于中间数据时，找到break跳出循环
3. 当小于中间数据时，查找左边的数据
4. 当大于中间数据时，查找右边的数据

插值查找

特点：假设数据是平均分布的，每个数据的差距接近（类似等差数列），利用公式预测数据所在的位置，再用二分搜索逼近
公式：mid=low + ((key - data[low])/(data]height]-data[low]))*(heigh-low)

简单字符搜索
步骤：
1. i=0
2. 当i+substr<str时循环
3. j=0
4. 当j<substr时，数值不相等则break，进入下一轮循环。数值相等，则i++，j++
当j=substr，i=i-j
当j<substr, i=i-j+1

哈希表搜索

特点：根据哈希函数计算数据对应的地址

1. 除留余数法
数据除以常数获得余数，用余数作为索引。哈希表是连续的，没有用到的索引对应的数据是空
除数一般是质数，索引范围是0-质数
2. 平方取中法
先数据平方，再取其中的几位作为索引值
3. 折叠法
把数据拆成几部分，再把这几部分累加，作为索引值
4. 数字分析法
检查数据的相对位置和分布情况，提取随机度高的其中几位作为索引值

溢出：哈希表存储数据的位置满了（对应的索引的存储位置已经存有数据），
1. 线性探测法：往后查找空位置（类似环形结构）
2. 平方探测法：溢出发生时查找的是f(x)+i2 mod B ，再找f(x)-i2 mod B，（i=0,1,2……）
3. 再哈希法：溢出则再使用第二种哈希函数，再溢出则使用第三种哈希函数，一直到成功

kmp字符串搜索

特点：利用已经匹配的字符串中，不一致的位置开始匹配，（已经匹配的没有重复字符】）

bm字符串搜索
特点：从子串的后面向前开始比较，根据字符串信息和适配的位置跳过字符串比较位置

最小生成树（无向图）

特点：以最少的边连通图中的所有顶点，且不造成回路。加权图中寻找最小生成树：无相连通图，用贪婪法则
1. prim算法
步骤：
a. 对一个加权图G=V，E），设V={1，2，n}，U={1},
b. 求U-V 的差集，V中与U不相交的部分中找到一个顶点，该顶点能和U中顶点形成最小成本的边，且不会造成回路。然后将x加入U集合中
c. 循环b，直到U=V
2. kruskal算法
步骤：
a. 各边按权重从小到大排序
b. 从权志最小的边开始开始建立最小生成树，如果加入后造成回路，则不用
c. 循环b，直到加入n-1个边

有向图最短路径

1. dijkstra迪克斯特拉算法
特点：从起点出发，计算与起点直连的顶点的权重，找到最小那个作为新起点，再次计算与它直连的顶点（不包括走过的那个顶点）的权重，再找到最小那个……
步骤：
	a. G=(V,E)  V所有顶点的集合，E所有边的集合，V={1……N}
	b. D[K] = A[F,K}  (k=1….N)  顶点F到K的距离
	c. S={F} 所有顶点的集合，初始值F
	d. 从V-S中找到顶点x，使得D(x)的值最小，把x放入S中
	D[i]=min{D[i],D[x]+A[x,i]}  ,i是指x相邻各顶点的值
2. A*（dijkstra算法改进版）
特点：需要计算起点和各个顶点之间的距离，还要预估各个顶点到终点的推测权重，减少不必要的查找
推测权重：
	a. 曼哈顿距离：D=|x1-x2|+|y1-y2|
	b. 切比雪夫距离：D=max(|x1-x2|,|y1-y2|)
	c. 欧式几何平面距离：D=sqrt|x1-x2|2+|y1-y2|2
步骤与dijkstra算法类似，起点到顶点的权重+顶点到终点的推测权重，找到最小值
3. Floyd
特点：求任意两点或多点之间的距离。一个加权图有n个顶点，必须执行n次循环

A0[i][j]=cost[i][j] A0为i，j之间的距离的矩阵
An[i][j]                An为I,j之间的最短距离的矩阵
AK[i][j] = min{AK-1[i][j], AK-1[i][k]+AK-1[k][j]},K>=1
AK[i][j]为I，j之间，经过k顶点的最短距离

举例：经过顶点1的最短距离
A1[1][2]=min{A0[1][2].A0]1][1]+A0[1][2]}
A1[1][3]=min{A0[1][3].A0]1][1]+A0[1][3]}
A1[2][1]=min{A0[2][1].A0]2][1]+A0[1][1]}

图

广度优先算法：从起点开始，找到所有与起点直连的顶点作为候补顶点。再找到第一个候补顶点的候补顶点，第二个候补顶点的候补顶点……。遍历完起点的候补顶点后，再往下。
深度优先算法：从起点开始，沿着一条路径不断向下。直到不能往下再返回。