算法1

首先，在开始之前，我首先必须说明。

代码方面我会使用C++与JAVA分别编写，当然，如果这篇代码过于简单可能并没有JAVA部分。
C++方面会趋于简单，尽量不涉及复杂的语法部分，但这并不意味着不会涉及新标准语法。
JAVA会更难一些，有一些比较麻烦的语法
当然随着代码的深入C++也会引入复杂语法.

红字部分属于进阶内容，会涉及一点计算机原理。

好了，让我们开始吧。
假设我要在一个有序数组中寻找一个值为50的数据，我们该如何寻找这个数据呢？
int* temp = new int[100];
for (int i = 0; i < 100; i++) {//给数组赋值
	temp[i] = i;

}
for (int i = 0; i < 100;i++) {//假设我们想找到值为80的数据的位置，虽然说你在这个代码能看到这个数据位于80的位置，第81个数据，但是在通常的代码编写中，我们并不知道它处于那个位置，因此高效的查找是很有必要的。
if (temp[i] == 80) {
cout << “这个值的是第” << i+1 << “个数据” << endl;
}
}

这样实在是太慢了，所以我们需要一种更好的查找方式。
那就是二分查找。
假设我有一个数组，这个数组是由1-1000的数字构成的。

数组有100个元素，那么这样，如果我想知道一个值为200的数据在这个数组的第几个位置。
如果我们从第一个数字开始，去一个一个寻找，这太慢了，我们无法接受这样慢的速度。
假设这个数组有100W个数字，我们难不成还需要查找100W次？
所以，我们需要二分查找来加快查找速度而不是我之前的普通查找。
#include
using namespace std;
int rank1(int key,int length, int a [] ) {//这里因为C++不知道你指针指向的数组字节数，我们必须对数组长度进行传递
int lo = 0;
int hi = length -1;//C++的原始数组并不好用，以后会讲解C++封装好的vector或array
while (lo <= hi) {
int mid = lo + (hi - lo / 2);//数组第几个数是中间的
if (key < a[mid]) {//如果我们要找的数值小于数组中间的数
hi = mid - 1;//我们去找从lo到数组中间的数
}
else if (key > a[mid]) {
lo = mid + 1;//同理，如果我们要找的数值大于数组中间的数，我们就去找上半个数组
}
else return mid;
}
return -1;//如果没找到，我们的函数必须有返回值，则返回-1进行处理
}

int main() {
int temp[100];
for (int i = 0; i < 100; i++) {//给数组赋值
temp[i] = i;
}
int result = rank1(70,100,temp);
cout << result<<endl;
result = rank1(101, 100, temp);
cout << result << endl;
}
二分查找C++代码，二分查找太简单了JAVA不再赘述。
二分查找的原理是什么？
我们用一个故事来描述它。假设我有一个数组，这个数组是由1-1000的数字构成的。
数组有100个元素，那么这样，如果我想知道一个值为200的数据在这个数组的第几个位置。你每次都可以对我说出一个位置。而我会告诉你这个位置距离真正我们想要知道的位置是大还是小。

举例：你说50，第50个数据的值为100，很明显，这个值是小于我们要寻找的数字200的，我会告诉你，小了。

那么二分查找的思想，或者说更好的猜法是什么？
我们应该先从中位数猜起，由于数组是有序的，当我告诉你这个数字大了或小了的时候，你便排除了一半的数字。
同理，我们从另外一半没有被排除的数字的中位数猜起，你便又可以排除一半的无效数字。
二分查找的原理是二进制的数字表达方式的位数。
题外话：假设我要寻找1000这个数字，你每次可以猜1位，而我会告诉你这个位的数字，那么我们仅仅需要猜4次即可获得这个数字。
而对于十进制表达的数字1000来说，将其转化为二进制则为1111101000，由于二进制中的1 0分别表示大或小，我们便可以通过猜10次来获得这个数字的正确位置。

那么现在，我们已经学会了一种算法。算法有很多种，我们怎么样才能更好的表示算法的优劣呢，或者说算法的运行时间。
那么我们必须介绍一种算法的速度的表示方法大O表示法。	假设一个算法的时间复杂度是 O(n)，n 在这里代表的意思就是数据的个数。举个例子，如果你的代码用一个循环遍历 100 个元素，那么这个算法就是 O(n)，n 为 100，所以这里的算法在执行时就要做 100 次工作。

二分查找法用大O表示，则为O（log n），那么对于100个元素来说，需要查找几次呢？
答案是7次。这里的n指的是元素个数，而log底的数字可能会因为各种算法不同而发生变化，不过他们都属于对数时间。

接下来我们介绍几个比较常见的算法表示时间。
O(1) 常数级 最好的。不论输入数据量有多大，这个算法的运行时间总是一样的。例子: 基于索引取出数组中对应的元素。
O(log n) 对数级 相当好。这种算法每次循环时会把需要处理的数据量减半。如果你有 100 个元素，则只需要七步就可以找到答案。1000 个元素只要十步。100,0000 元素只要二十步。即便数据量很大这种算法也非常快。例子：二分查找。
O(n) 线性级 还不错。如果你有 100 个元素，这种算法就要做 100 次工作。数据量翻倍那么运行时间也翻倍。例子：线性查找。
O(n log n) 线性对数级 还可以。比线性级差了一些，不过也没那么差劲。例子：最快的通用排序算法。
O(n^2) 二次方级 有点慢。如果你有 100 个元素，这种算法需要做 100^2 = 10000 次工作。数据量 x 2 会导致运行时间 x 4 (因为 2 的 2 次方等于 4)。例子：循环套循环的算法，比如插入排序。
O(n^3) 三次方级 特别慢。如果你有 100 个元素，那么这种算法就要做 100^3 = 100,0000 次工作。数据量 x 2 会导致运行时间 x 8。例子：矩阵乘法。
O(2^n) 指数级 超级慢。这种算法你要想方设法避免，但有时候你就是没得选。加一点点数据就会把运行时间成倍的加长。例子：旅行商问题。
O(n!) 阶乘级 比蜗牛还慢！不管干什么都要跑个 N 年才能得到结果。

你可能会发现，这个世界上难道还有n!的算法吗？
那么我们来介绍一个非常经典的问题，旅行商问题。
有一位旅行商，他要前往5个城市。
请问5个城市的可能顺序有多少种？
可能你已经意识到了，如果不考虑出发点和终点的话，我们一共有5！个选择，这足足有120种。
而涉及6个城市的时候我们有6！个选择，有720种排列方式。
旅行商问题至今没有一个最佳答案，我们只能选择一些近似答案。