python贝塞尔插值公式_插值查找算法原理分析——及python与C++实现

前面介绍的二分查找，其复杂度为O(logn)，在数据量较多的情况下比顺序查找效率高很多：

机器学习入坑者：二分查找原理及python与C++实现详解​zhuanlan.zhihu.com

当然，二分查找要求数据必须是有序的，这也规定了其适用范围。在二分查找的基础上进一步的约束数据，要求数据是有序且数值分布均匀的，可以获得更加高效的“插值查找”算法。我们首先回顾一下二分查找的流程：

上图中蓝色圈为左边界left，粉色圈为右边界right，绿色圈为middle（简写为mid）位置，我们知道，中间位置的计算方式如下：

可以对其进行变形如下：

上面的1/2代表区间长度每次缩减一半，也就是控制区间缩减幅度的因子。二分查找并没有考虑数据中数值的情况，仅仅使用了数值是有序的这一信息。

现在，来看下述的数值有序且分布均匀数据：

data 

如果搜索的目标是2，那么区间长度每次都缩减为一半合理吗？显然是不合理的，因为2这个值比较小，明显比较偏向于数据的起始位置；如果搜索的目标是25，区间减半的方式同样不合理。

所以，可以改变二分查找的区间缩减策略，根据搜索的值来确定区间缩减幅度，使其不再是固定的1/2，这种想法就是“插值查找”，其中间位置计算方式如下：

如果alpha用于衡量搜索目标值距离左边界的远近，就可以使用下述公式进行表达，其中tar表示目标值，D表述有序数值：

此时，如果目标值tar和左边界值D[left]差的多，则中间位置mid更靠右；如果目标值tar和左边界值差的少，则中间位置mid更靠左。也就是说，插值查找算法的中间位置mid不是真的在中间了，而是根据目标值和边界值的关系动态的确定。

插值查找算法和二分查找算法的区别主要就在于中间位置mid的确定，它们在终止条件和判断条件上都是相同，在此不做重复。

1、插值查找性能分析

插值查找的时间复杂度为O(loglogn)，最坏情况为O(n)。具体计算可以参考论文[1, 3]，其中包含下载地址。

2、python实现

def 

3、C++实现

int 

参考：

【1】Andersson A, Mattsson C. Dynamic Interpolation Search in o (log log n) Time[C]//International Colloquium on Automata, Languages, and Programming. Springer, Berlin, Heidelberg, 1993: 15-27.

【2】https://blog.csdn.net/qq_29542611/article/details/79392661

【3】http://www.cs.technion.ac.il/~itai/publications/Algorithms/p550-perl.pdf