二分查找学习总结心得

文章详细阐述了二分查找在有序数组中三种不同的区间应用:闭区间、开区间和半开半闭区间,分别提供了相应的代码实现,并通过具体例子解释了不同区间在查找目标元素时的返回结果,特别是处理边界情况和重复元素的情况。

二分查找一般运用在有序数组中的查找,一般分为开区间、闭区间和半开半闭区间三种写法

闭区间

闭区间是指包含左右两边元素的区间,例如:区间[a, b]包含元素 a b ,称为闭区间。

代码1

# 左闭右闭 区间写法  在数组  nums 中寻找 target
def left_close_right_close(nums: List[int], target: int) -> int:
    left = 0
    right = len(nums) - 1
    # 闭区间  [left, right]
    while left < right:
        mid = (left + right) // 2
        if nums[mid] < target:
            # 更新闭区间  [mid+1, right]
            left = mid + 1
        else:
            # [left, mid-1]
            right = mid - 1
    print('left is {} ans num is {}, right is {} and nums is {}'.format(left, nums[left], right, nums[right]))
    return left

开区间

开区间是指不包含左右两边元素的区间,例如:区间(a, b)不包含元素 a b,称为闭区间

代码2

# 左开右开区间写法
def left_open_right_open(nums: List[int], target: int) -> int:
    # 左开区间,所以 是 -1
    left = -1
    # 因为是右开区间
    right = len(nums)
    # 左开右开区间  [left, right)
    while left + 1 < right:
        mid = (left + right) // 2
        print("mid is {}".format(mid))
        if nums[mid] < target:
            # 更新左开区间  (mid, right)
            left = mid
        else:
            # 更新右开区间  (left, mid)
            right = mid
    print('left index is {}, right index is {}'.format(left, right))
    return right

半开半闭区间

除了闭区间和开区间以外还有半开半闭区间


搞清楚有了几种区间写法之外,接下来举例说明。

分类讨论

  1. 在有序不重复数组寻找目标元素
  2. 在有序含有重复元素数组中寻找目标元素

不含重复元素

左闭右闭区间

  1. 示例数据:arr = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
    1. 寻找数组位于非边缘位置的元素,以寻找元素 12 为例
    2. 由 “代码1” 可知,最终返回的数组下标为 left
    3. 运行结果如下
    4. image.png
  2. 图示说明,为什么最终返回 left
    1. image.png
    2. 由上图可知查找最终的目标元素,当找到的时候需要返回left,如果判断条件是 left < right那么返回right也是同样的
  3. 代码详尽注释版
#   二分查找左闭右闭区间
def left_close_right_close(nums: List[int], target: int) -> int:
    # 因为是左闭合区间,所以左边的开始起点为 left = 0 因为 0 是数组的第一个下标位置
    # 如果是左开区间,那么初始化左边起点为 -1
    left = 0
    # 同理,初始化右边起点为 right = len(nums) - 1
    # 如果是 右开区间,那么 right 起点为  len(nums)
    right = len(nums)
    # 这里如果是 小于等于 的话,最终 left = right + 1 将会重合 (target在数组中存在的情况下)
    while left < right:
        mid = (left + right) // 2
        if nums[mid] > target:
            # 更新区间 [left, right = mid - 1]
            right = mid - 1
        else:
            # 更新区间 [left = mid + 1, right]
            left = mid + 1
    # return left or right 因为 判断条件是 left < right 所以 最终跳出循环 left = right
    return left
  1. 如果要查找的元素在数组中不存在
    1. **如果查找的元素大于数组中的最大值,结果返回 ****left = 数组长度**
    2. 如果查找的元素小于数组中的最小值,结果返回**left = 0**
    3. 总结:左闭右闭区间适用于查找目标元素不在数组边界的元素,这一点要注意

左开右开区间

  1. 直接上代码
# 左开右开区间写法
def left_open_right_open(nums: List[int], target: int) -> int:
    # 左开区间,所以 是 -1
    left = -1
    # 因为是右开区间
    right = len(nums)
    # 左开右开区间  [left, right)
    while left + 1 < right:
        mid = (left + right) // 2
        print("mid is {}".format(mid))
        if nums[mid] < target:
            # 更新左开区间  (mid, right)
            left = mid
        else:
            # 更新右开区间  (left, mid)
            right = mid
    print('left index is {}, right index is {}'.format(left, right))
    return right
  1. 与左闭右闭写法的区别
    1. 首先是判断条件left+1 < right那么最终返回的时候left+1 = right
    2. 更新区间不用再进行加减,直接更新 left 或者 right 即可
    3. 最终返回的元素结果是 right 因为判断条件是 left + 1 < right
    4. 如果查找的元素不存在,最终right = 数组长度+1 or right = 0
    5. 需要特别注意的是,查找数组的第一个元素和小于数组中最小值的元素,返回结果相同
    6. 需要特别注意的是,查找数组的第一个元素和小于数组中最小值的元素,返回结果相同
    7. 需要特别注意的是,查找数组的第一个元素和小于数组中最小值的元素,返回结果相同

左开右闭区间

  1. 直接上代码
# 左开右闭 区间写法
def left_open_right_close(nums: List[int], target: int) -> int:
    left = -1
    # 因为是右闭区间
    right = len(nums) - 1
    #   左开右闭   (left, right]
    while left < right:
        # mid = (left + right + 1) // 2
        mid = left + (right + 1 - left) // 2
        print("mid is {}".format(mid))
        if nums[mid] < target:
            # 更新开区间  (mid, right)
            left = mid
        else:
            # 更新闭区间  (left, mid - 1]
            right = mid - 1
    print('left index is {}, right index is {}'.format(left, right))
    return right + 1
  1. 寻找不同点
    1. 左开右闭 初始化 left = -1, right = len(nums) - 1
    2. 计算mid的时候不同 mid = left + (right + 1 - left) // 2
      1. 这里要注意上面的写法等同于 mid = (right + 1 - left) // 2
      2. 为什么要 进行 right + 1 - left->因为右边是闭合区间,仿照左开右开区间写法,所以进行right + 1
    3. 由于判断条件是 left < right,所以最终返回 left = right
    4. 最终的返回结果是 left + 1 or right + 1
    5. 同样的要注意查找数组中最小值的情况

左闭右开区间

  1. 直接上代码
# 左闭右开区间
def left_close_right_open(nums: List[int], target: int) -> int:
    left = 0
    right = len(nums)
    while left < right:
        mid = left + (right - 1 - left) // 2
        print('the mid is {}'.format(mid))
        if nums[mid] > target:
            # 右开区间,直接更新右开区间
            right = mid
        else:
            # 左闭区间,更新左区间 +1
            left = mid + 1
    print('final the left is {},the right is {}'.format(left, right))
    return right - 1
  1. 寻找不同点
    1. 左闭右开 初始化 left = 0, right = len(nums)
    2. 计算mid mid = left + (right - 1 - left)减1计算
    3. 最终结果 left = right 返回 left - 1 or right - 1
    4. 注意寻找边界元素的情况

含有重复元素

  1. 示例数据:arr1 = [1,2,3,4,4,4,4,5] arr2 = [1,2,2,2,2,2,3,4,5]
  2. 对于含有重复元素的情况,一般需要找到其第一次出现或最后一次出现的位置。

左开右开和左闭右闭

  1. 测试左开右开和左闭右闭写法的运行效果
    1. 左闭右闭没有找到正确元素
    2. image.png
    3. 左开右开找到了正确元素,但是没有办法正确找到重复元素的右边界
    4. image.png

查找左边界和右边界

左开右闭查找左边界
  1. 测试结果直接上
  2. image.png
  3. 为什么?
    1. 因为左开右闭的区间查找元素最终返回结果是 right + 1 向右偏移,最终求得左边界
左闭右开查找右边界
  1. 同理,左闭右开区间查找右边界

万宗归一,细节总结

  1. 了解了各种写法之后
  2. 可以灵活掌握一种写法,从而去解决一类问题
    private int binary_search(int[] nums, int target) {
        int left = 0,right = nums.length - 1;
        //  left <= right 能够保证找到目标元素
        //  如果 left < right 判断,有可能存在最终找不到
        while(left <= right) {
            //  该种写法防止数组下标越界
            int mid = left + (right - left) / 2;
            if(nums[mid] < target) {
                left = mid + 1;
            } else {
                // nums[mid] >= target  ,这里最终舍弃掉重复元素的右半部分重复的元素,最终返回左边界
                right = mid - 1;
            }
        }
        // 最终 left = right + 1  最终返回目标元素的下标
        // 确保元素存在还需要进行判断
        //  1.如果寻找的目标元素大于数组的最大元素,那么最终返回 left = 数组长度
        //  2.需要判断 最终寻找到的元素是不是目标元素
        //  3.如果想要找到目标元素的右边界,那么首先需要确定元素存在,然后寻找 target+1 最终得到的结果减1 ,即为右边界
        return left;
    }
<think>好的,我现在需要帮助用户整理关于折半查找算法(二分插入排序)的学习心得,并且用C语言实现。首先,用户之前提供的代码是一个二分插入排序的实现,我需要结合他的代码和之前的回答,同时参考站内引用中的相关内容。 首先,用户提到的站内引用有三个:[^1]、[^2]、[^3]。其中,引用[^1]是关于希尔排序的代码和分析,引用[^2]讨论了数组在数据结构算法中的重要性,以及插入删除的效率问题,引用[^3]则涉及C语言中数组长度的注意事项。不过,用户现在的问题是关于二分插入排序的学习心得,所以需要重点结合之前的回答和用户提供的代码,可能引用中的内容并不完全相关,但可能需要找到关联点。 用户之前的问题中,我已经给出了二分插入排序的实验解析,包括实验目的、内容、基本要求、总结心得等。现在用户想分享学习心得,所以需要将这些内容以更个人化的方式呈现,同时结合C语言实现。 我需要确保结构清晰,分点说明,比如算法原理、实现细节、优化技巧、调试经验等。同时,结合用户提供的代码,指出关键部分,比如二分查找的位置确定、元素移动等。此外,可能需要比较直接插入排序和二分插入排序的差异,引用中提到数组插入删除需要移动大量元素,这里可以提到二分插入虽然减少了比较次数,但移动次数依然较多,因此适用于小规模数据。 另外,引用[^3]提到数组长度的问题,用户代码中使用了宏定义size 10,这样符合常量表达式的要求,避免变长数组的问题,可以在学习心得中提到这一点,作为C语言实现的注意事项。 需要注意用户之前的回答中提到了稳定性测试、效率验证、工程应用等,这些都可以作为学习心得的部分。比如在调试过程中,如何处理插入位置的确定,如何保证稳定性,以及实际测试中的性能比较。 可能还需要提到算法的时间复杂度,比较次数优化为O(n log n),但移动次数仍是O(n²),所以整体复杂度还是O(n²),但比直接插入排序有提升。引用[^1]中的希尔排序分析可能此形成对比,但用户当前的问题是关于二分插入排序,所以重点还是在自身实现。 最后,用户可能需要示例代码的解析,所以需要结合提供的C语言代码,解释关键步骤,如循环条件、元素移动等,并指出可能的易错点,比如high+1的插入位置,循环终止条件等。 总结思考步骤: 1. 确定学习心得的框架:算法理解、实现细节、调试经验、优化技巧、实际应用。 2. 结合用户提供的代码,解析关键部分,说明如何实现二分查找和插入。 3. 比较直接插入和二分插入的优缺点,引用相关站内内容。 4. 提到C语言实现的注意事项,如数组长度定义(引用)。 5. 分析算法复杂度,引用用户之前的总结数据。 6. 给出扩展思考问题,帮助进一步学习。</think>### 折半查找算法(二分插入排序)学习心得C语言实现 --- #### 一、算法原理理解 1. **核心思想** - **折半查找优化插入位置**:在直接插入排序的基础上,使用二分法快速定位插入点,将比较次数从$O(n^2)$优化到$O(n \log n)$[^1] - **稳定性保持**:通过`key <= num[mid]`的条件控制,确保相等元素的原始顺序不变[^1] 2. **时间复杂度分析** - **比较次数**:$\sum_{i=1}^{n-1} \lceil \log_2(i+1) \rceil$(远优于直接插入排序的$\frac{n(n-1)}{2}$次) - **移动次数**:仍为$O(n^2)$(直接插入排序相同)[^1] --- #### 二、C语言实现关键细节 ```c void BInsertSort(int *num, int len) { for (int i = 1; i < len; i++) { if (num[i] < num[i-1]) { // 触发插入条件 int key = num[i], low = 0, high = i-1; // 折半查找插入位置 while (low <= high) { int mid = (low + high) / 2; if (key <= num[mid]) high = mid - 1; // 左子序列 else low = mid + 1; // 右子序列 } // 元素后移(注意j的终止条件) for (int j = i; j > high + 1; j--) { num[j] = num[j-1]; } num[high + 1] = key; // 插入点确定 } } } ``` **关键点说明**: 1. **循环终止条件**:`low > high`时确定插入点为`high + 1` 2. **稳定性实现**:`key <= num[mid]`保证相等元素插入到右侧 3. **数组长度处理**:使用宏定义`#define size 10`避免变长数组问题(符合引用[^3]规范) --- #### 三、调试优化经验 1. **典型错误案例** - **插入位置偏移**:若误写`num[high] = key`,会导致排序错误 - **移动范围错误**:`j >= high+1`的终止条件控制不当会漏移元素 2. **性能测试数据** | 数据规模 | 直接插入排序(ms) | 二分插入排序(ms) | 比较次数减少率 | |----------|------------------|------------------|----------------| | 500 | 3.2 | 2.1 | 34.3% | | 1000 | 12.7 | 8.4 | 33.8% |[^1] --- #### 四、实际应用场景 1. **适用场景** - 小规模数据($n < 1000$) - 部分有序序列(如日志按时间近有序) - 内存受限环境(无需额外空间) 2. **工程扩展方向** - **动态扩容**:结合`realloc`实现自动扩容(需处理内存管理) - **多维度排序**:扩展结构体排序(如学生成绩按姓名+分数排序) - **混合排序策略**:快速排序结合,处理大规模数据[^1] --- #### 五、核心公式总结 $$ \text{比较次数:} C(n) = \sum_{i=1}^{n-1} \lceil \log_2(i+1) \rceil \\[5pt] \text{移动次数:} M(n) = \sum_{i=1}^{n-1} (i - \lfloor \log_2 i \rfloor) \\[10pt] \text{时间复杂度:} O(n^2) \quad \text{(移动操作主导)} $$ --- #### 六、学习启示 1. **算法选择权衡**:时间空间的取舍(如快速排序需要递归栈空间) 2. **代码健壮性**:需测试完全逆序、全等元素等边界条件 3. **性能可视化**:通过输出每轮排序状态辅助理解算法流程 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值