数据结构学习 （向量：四（有序向量的查找算法））

有序向量

查找

二分查找（版本A）

//在有序向量[lo, hi)内查找元素e，返回其秩
template <typename T> static Rank binSearch(T* A, T const& e, Rank lo, Rank hi)
{
	while(lo < hi)  //每次迭代至多多两次比较，有三个分支
	{
		Rank mi = (lo + hi)/2;  //以中点为轴点
		if(e < A[mi])   
			hi = mi;     //深入前半段继续查找
		else if(A[mi] > hi)
			lo = mi + 1; //深入后半段继续查找
		else 
			return mi;  //e = mi， 在mi处命中
	}
	return -1;  //查找失败
}

这种二分查找方法采用了减而治之的思想，每次迭代之多经过两次比较，，或者找到目标元素，或者将问题转化为一个规模更小的新问题。
缺点：

1. 但这种方法有一个问题，就是当向量中可能有个目标元素e时，无法保证返回其中秩最大的那个； 当查找失败时，只简单的返回-1.
2. 最坏情况下算法的整体性能比较不稳地，主要是因为向左向右深入时不均衡导致的。

复杂度：O（logn）(每次迭代，有效的查找区间宽度将按1/2的比例以几何级数的速度递减）

二分查找（版本B）

改进思路：使算法无论朝着向左深入还是向右深入的方向都只进行一次比较。

template <typename T> static Rank binSearch(T* A, T const& e, Rank lo, Rank hi)
{
	//在有序向量[lo, hi)内查找元素e，返回其秩
template <typename T> static Rank binSearch(T* A, T const& e, Rank lo, Rank hi)
{
	while(1 < hi - lo)  //每步迭代仅需要进行一次比较判断，有两个分支；成功查找不能提前终止
	{
		Rank mi = (lo + hi)/2;  //以中点为轴点
		(e < A[mi] ? hi = mi : lo = mi); //经比较后确定深入[lo, mi)、[mi, hi)哪个区间	
	}
	return (e == A[lo] ? lo : -1);  //查找成功返回对应的秩，失败则返回-1。
}

版本B的算法其复杂度O（logn）不变。在这一版本中，只有当向量有效区间缩短至1是循环才终止。不能如版本A那样，一旦命中就返回。一次最后的情况效率有所下降，但最坏的情况效率相应的有所提高，整体性能更加趋于稳定。

语义约定

以上两种查找算法都没有限制如果目标元素有多个时，返回哪个目标元素的。而查找算法一般都有一个语义约定，即：返回不大于目标元素e的最后一个元素。
也就是分以下两种情况：

1. 当有多个目标元素e时，应返回最靠后（秩最大）者。
2. 当查找失败时，应返回小于e的最大者（含哨兵[lo-1]）。

版本C

经过以上的语义约定，进行如下改进

template <typename T> static Rank binsearch(T* A, T const& e, Rank lo, Rank hi)
{
	while(lo < hi)    //每步迭代值做一次比较，有两个分支。
	{
		Rank mi = (lo + hi)/2;
		(e < A[mi]) ? hi = mi : lo = mi + 1; //经比较确定进入那个区间[lo, mi),(mi, hi).
	}
	return --lo; //循环结束时，lo为大于e的元素最小秩，故lo - 1即不大于e的元素最大秩。
}
//该算法目标元素有多个时，返回秩最大的那个，当查找失败时，能够返回失败的位置。

版本C与版本B 的差别主要在于循环终止条件变为当有效区间缩减至0时迭代终止。另外在每次转入后端分支时，子向量的左边界去做mi+1而不是mi。
表面上看，可能遗漏元素A[mi]，但这种担心大可不必。版本C算法有一下不变性：A[0, lo)中的元素皆不大于e；A[hi, n) 的元素皆大于e。（读者自行验证）
所以循环终止时，lo = hi，此时区间被分成了[0, lo)，[hi, n)两部分，由以上的不变性可知：A[lo-1]为不大于e的最大的元素。所有无论是查找成功或失败，只需返回--lo即可。当成功时：--lo就是目标元素；失败时--lo就是小于e的最大的那个元素的秩。
复杂度：O（logn） （遵守了语义约定，且整体性能更加稳定）