二分法基本思路和实现

二分法基本思路和实现

作者：Grey

原文地址：

博客园：二分法基本思路和实现

CSDN: 二分法基本思路和实现

在一个有序数组中，找某个数是否存在

OJ 见：LeetCode 704. Binary Search

思路：

1. 由于是有序数组，可以先得到中点位置，中点可以把数组分为左右半边。

2. 如果中点位置的值等于目标值，直接返回中点位置。

3. 如果中点位置的值小于目标值，则去数组中点左侧按同样的方式寻找。

4. 如果中点位置的值大于目标值，则取数组中点右侧按同样的方式寻找。

5. 如果最后没有找到，则返回：-1。

代码

class Solution {    public int search(int[] arr, int t) {        if (arr == null || arr.length < 1) {            return -1;        }        int l = 0;        int r = arr.length - 1;        while (l <= r) {            int m = l + ((r - l) >> 1);            if (arr[m] == t) {                return m;            } else if (arr[m] > t) {                r = m - 1;            } else {                l = m + 1;            }        }        return -1;    }}

时间复杂度 O(logN)。

在一个有序数组中，找大于等于某个数最左侧的位置

OJ见：LeetCode 35. Search Insert Position

示例 1:
输入: nums = [1,3,5,6], target = 5
输出: 2

说明：如果要在num这个数组中插入 5 这个元素，应该是插入在元素 3 和 元素 5 之间的位置，即 2 号位置。

示例 2:
输入: nums = [1,3,5,6], target = 2
输出: 1

说明：如果要在num这个数组中插入 2 这个元素，应该是插入在元素 1 和 元素 3 之间的位置，即 1 号位置。

示例 3:
输入: nums = [1,3,5,6], target = 7
输出: 4

说明：如果要在num这个数组中插入 7 这个元素，应该是插入在数组末尾，即 4 号位置。

通过上述示例可以知道，这题本质上就是求在一个有序数组中，找大于等于某个数最左侧的位置，如果不存在，就返回数组长度（表示插入在最末尾位置）

我们只需要在上例基础上进行简单改动即可，上例中，我们找到满足条件的位置就直接return了

if (arr[m] == t) {    return m;}

在本问题中，因为要找到最左侧的位置，所以，在遇到相等的时候，只需要先把位置记录下来，不用直接返回，然后继续去左侧找是否还有满足条件的更左边的位置。

同时，在遇到arr[m] > t条件下，也需要记录下此时的m位置，因为这也可能是满足条件的位置。

代码：

class Solution {    public static int searchInsert(int[] arr, int t) {        int ans = arr.length;        int l = 0;        int r = arr.length - 1;        while (l <= r) {            int m = l + ((r - l)>>1);            if (arr[m] >= t) {                ans = m;                r = m - 1;            } else  {                l = m + 1;            }         }        return ans;    }}

整个算法的时间复杂度是O(logN)。

在排序数组中查找元素的第一个和最后一个位置

OJ见：LeetCode 34. Find First and Last Position of Element in Sorted Array

思路

本题也是用二分来解，当通过二分找到某个元素的时候，不急着返回，而是继续往左（右）找，看能否找到更左（右）位置匹配的值。

代码如下：

class Solution {    public static int[] searchRange(int[] arr, int t) {        if (arr == null || arr.length < 1) {            return new int[]{-1, -1};        }        return new int[]{left(arr,t),right(arr,t)};       }    public static int left(int[] arr, int t) {        if (arr == null || arr.length < 1) {            return -1;        }        int ans = -1;        int l = 0;        int r = arr.length - 1;        while (l <= r) {            int m = l + ((r - l) >> 1);            if (arr[m] == t) {               ans = m;               r = m - 1;            } else if (arr[m] < t) {                l = m +1;            } else {                // arr[m] > t                r = m - 1;            }        }        return ans;    }    public static int right(int[] arr, int t) {        if (arr == null || arr.length < 1) {            return -1;        }        int ans = -1;        int l = 0;        int r = arr.length - 1;        while (l <= r) {            int m = l + ((r - l) >> 1);            if (arr[m] == t) {               ans = m;               l = m + 1;            } else if (arr[m] < t) {                l = m +1;            } else {                // arr[m] > t                r = m - 1;            }        }        return ans;    }}

时间复杂度 O(logN)。

局部最大值问题

OJ见：LeetCode 162. Find Peak Element

思路

假设数组长度为N，首先判断0号位置的数和N-1位置的数是不是峰值位置。

0号位置只需要和1号位置比较，如果0号位置大，0号位置就是峰值位置，可以直接返回。

N-1号位置只需要和N-2号位置比较，如果N-1号位置大，N-1号位置就是峰值位置，可以直接返回。

如果0号位置和N-1在上轮比较中均是最小值，那么数组的样子必然是如下情况：

由上图可知，[0..1]区间内是增长趋势, [N-2...N-1]区间内是下降趋势。

那么峰值位置必在[1...N-2]之间出现。

此时可以通过二分来找峰值位置，先来到中点位置，假设为mid，如果中点位置的值比左右两边的值都大:

arr[mid] > arr[mid+1] && arr[mid] > arr[mid-1]

则mid位置即峰值位置，直接返回。

否则，有如下两种情况：

情况一：mid 位置的值比 mid - 1 位置的值小

趋势如下图：

则在[1...(mid-1)]区间内继续二分。

情况二：mid 位置的值比 mid + 1 位置的值小

趋势是：

则在[(mid+1)...(N-2)]区间内继续上述二分。

完整代码

public class LeetCode_0162_FindPeakElement {    public static int findPeakElement(int[] nums) {        if (nums.length == 1) {            return 0;        }        int l = 0;        int r = nums.length - 1;        if (nums[l] > nums[l + 1]) {            return l;        }        if (nums[r] > nums[r - 1]) {            return r;        }        l = l + 1;        r = r - 1;        while (l <= r) {            int mid = l + ((r - l) >> 1);            if (nums[mid] > nums[mid + 1] && nums[mid] > nums[mid - 1]) {                return mid;            }            if (nums[mid] < nums[mid + 1]) {                l = mid + 1;            } else if (nums[mid] < nums[mid - 1]) {                r = mid - 1;            }        }        return -1;    }}

时间复杂度O(logN)。

以上就是二分法的基本用法，更多地

使用二分法来解决的问题

更多

算法和数据结构笔记