浅谈两个重要的搜索算法

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
实时数仓Hologres,5000CU*H 100GB 3个月
简介: 【5月更文挑战第15天】线性搜索从数组一端按顺序遍历,直到找到目标元素,平均和最坏情况的时间复杂度均为O(N)。二分查找适用于排序数组,通过比较中间元素快速定位目标,最佳、平均和最坏情况的时间复杂度都是O(logN)。

1 两个重要的基础搜索算法

本文探讨了两种搜索算法:线性搜索和二分查找。

这里通过简单示例、代码实现和时间复杂度分析来详细讨论这两个问题。

2 线性或顺序搜索

工作原理是从一端按顺序遍历整个数组或列表,直到找到目标元素。

如果找到该元素,则返回其索引,否则返回 -1。

  • 示例:

      arr = [6, 12, 15, 11, 9, 19, 49]
    

我们需要找到 9 的索引。

实现:

        def search(nums, target):
        for i in range(len(nums)):
            if nums[i] == target:
                return i
        return -1

        if __name__ == '__main__':
            nums = [2, 12, 15, 11, 7, 19, 45]
            target = 7
            print(search(nums, target))
  • 步骤:

    1 从索引 0 开始,并将每个元素与目标进行比较。

    2 如果发现目标等于元素,则返回其索引。

    3 如果未找到目标,则返回 -1。

  • 复杂度

当目标元素是数组的第一个元素时,会出现最佳情况。在本例中,比较次数为 1。因此,时间复杂度为 。O(1)

平均情况: 平均而言,目标元素将位于数组的中间位置。在这种情况下,比较次数将为 N/2。因此,时间复杂度将是(常量被忽略) O(N)

当目标元素是数组中的最后一个元素或不在数组中时,会发生最坏的情况。在这种情况下,我们必须遍历整个数组,因此比较次数将为 N。因此,时间复杂度将是 O(N)

3 二分搜索

这种类型的搜索算法用于查找排序数组中包含的特定值的位置。二叉搜索算法遵循分而治之的原则,它被认为是最好的搜索算法,因为它运行速度更快。

现在让我们以一个排序数组为例,尝试了解它是如何工作的:

  • 示例:

              arr = [6, 12, 15, 17, 29, 39, 49]
    

假设要搜索的目标元素是 17

  • 二分查找的方法

1 将目标元素与数组的中间元素进行比较。

2 如果目标元素大于中间元素,则搜索在右半部分继续。

3 否则,如果目标元素小于中间值,则在左半部分继续搜索。

4 重复此过程,直到中间元素等于目标元素,或者目标元素不在数组中。

5 如果找到目标元素,则返回其索引,否则返回 -1。

  • 代码实现

      def search(nums, target):
          start = 0
          end = len(nums)-1
    
          is_ascending = nums[start] < nums[end]
    
          while start <= end:
              mid = start + (end-start)//2
    
              if target == nums[mid]:
                  return mid
    
              if is_ascending:
                  if target < nums[mid]:
                      end = mid-1
                  else:
                      start = mid+1
              else:
                  if target < nums[mid]:
                      start = mid+1
                  else:
                      end = mid-1
    
          return -1
    
      if __name__ == '__main__':
          nums1 = [-1, 2, 4, 6, 7, 8, 12, 15, 19, 32, 45, 67, 99]
          nums2 = [99, 67, 45, 32, 19, 15, 12, 8, 7, 6, 4, 2, -1]
          target = -1
          print(search(nums1, target))
          print(search(nums2, target))
    
  • 复杂度分析

当目标元素是数组的中间元素时,会出现最佳情况。

在本例中,比较次数为 1。因此,时间复杂度为O(1)。

平均情况:平均而言,目标元素将位于数组中的某个位置。

因此,时间复杂度将是O(logN)

当目标元素不在列表中或远离中间元素时,会发生最坏情况。
因此,时间复杂度将是O(logN)

目录
相关文章
|
3月前
|
算法
【算法】二分算法——搜索插入位置
【算法】二分算法——搜索插入位置
|
20天前
|
算法 搜索推荐 数据库
二分搜索:高效的查找算法
【10月更文挑战第29天】通过对二分搜索的深入研究和应用,我们可以不断挖掘其潜力,为各种复杂问题提供高效的解决方案。相信在未来的科技发展中,二分搜索将继续发挥着重要的作用,为我们的生活和工作带来更多的便利和创新。
32 1
|
1月前
|
算法 决策智能
基于禁忌搜索算法的VRP问题求解matlab仿真,带GUI界面,可设置参数
该程序基于禁忌搜索算法求解车辆路径问题(VRP),使用MATLAB2022a版本实现,并带有GUI界面。用户可通过界面设置参数并查看结果。禁忌搜索算法通过迭代改进当前解,并利用记忆机制避免陷入局部最优。程序包含初始化、定义邻域结构、设置禁忌列表等步骤,最终输出最优路径和相关数据图表。
|
2月前
|
大数据 UED 开发者
实战演练:利用Python的Trie树优化搜索算法,性能飙升不是梦!
在数据密集型应用中,高效搜索算法至关重要。Trie树(前缀树/字典树)通过优化字符串处理和搜索效率成为理想选择。本文通过Python实战演示Trie树构建与应用,显著提升搜索性能。Trie树利用公共前缀减少查询时间,支持快速插入、删除和搜索。以下为简单示例代码,展示如何构建及使用Trie树进行搜索与前缀匹配,适用于自动补全、拼写检查等场景,助力提升应用性能与用户体验。
58 2
|
1月前
|
存储 算法 C++
【搜索算法】 跳马问题(C/C++)
【搜索算法】 跳马问题(C/C++)
|
1月前
|
人工智能 算法 Java
【搜索算法】数字游戏(C/C++)
【搜索算法】数字游戏(C/C++)
|
3月前
|
机器学习/深度学习 算法 文件存储
【博士每天一篇文献-算法】 PNN网络启发的神经网络结构搜索算法Progressive neural architecture search
本文提出了一种名为渐进式神经架构搜索(Progressive Neural Architecture Search, PNAS)的方法,它使用顺序模型优化策略和替代模型来逐步搜索并优化卷积神经网络结构,从而提高了搜索效率并减少了训练成本。
57 9
|
3月前
|
算法
【算法】递归、搜索与回溯——汉诺塔
【算法】递归、搜索与回溯——汉诺塔
|
3月前
|
存储 算法 调度
基于和声搜索算法(Harmony Search,HS)的机器设备工作最优调度方案求解matlab仿真
通过和声搜索算法(HS)实现多机器并行工作调度,以最小化任务完成时间。在MATLAB2022a环境下,不仅输出了工作调度甘特图,还展示了算法适应度值的收敛曲线。HS算法模拟音乐家即兴创作过程,随机生成初始解(和声库),并通过选择、微调生成新解,不断迭代直至获得最优调度方案。参数包括和声库大小、记忆考虑率、音调微调率及带宽。编码策略将任务与设备分配映射为和声,目标是最小化完成时间,同时确保满足各种约束条件。
|
4月前
|
数据采集 算法 JavaScript
揭开JavaScript字符串搜索的秘密:indexOf、includes与KMP算法
JavaScript字符串搜索涵盖`indexOf`、`includes`及KMP算法。`indexOf`返回子字符串位置,`includes`检查是否包含子字符串。KMP是高效的搜索算法,尤其适合长模式匹配。示例展示了如何在数据采集(如网页爬虫)中使用这些方法,结合代理IP进行安全搜索。代码示例中,搜索百度新闻结果并检测是否含有特定字符串。学习这些技术能提升编程效率和性能。
123 1
揭开JavaScript字符串搜索的秘密:indexOf、includes与KMP算法
下一篇
无影云桌面