java中大O符号的两个代码之间的区别[重复]答案

【问题标题】：difference between two codes in big O notation in java [duplicate]java中大O符号的两个代码之间的区别[重复]
【发布时间】：2016-05-11 18:53:09
【问题描述】：

我正在阅读有关数组的内容，并编写了下面的第一个代码。老师确实编写了第二个代码，用于在数组中搜索特定数字。 java中以下两个代码之间的ordo表示法有什么区别。哪些代码性能更好，它的大 O 表示法是什么。

我的代码

public static void main(String[] args)
{

   int[] data = { 100, 110, 120, 130, 140, 150 };
   int index = binarySearch(data, 120);
   System.out.println(index);
}

private static int binarySearch(int[] data, int i)
{

   if (data.length == 0)
   {
      return -1;
   }

   for (int k = 0; k < data.length; k++)
   {
      if (data[k] == i)
      {
         return k;
      }
   }

   return -1;
}

教师代码

public static void main(String[] args)
{
   int[] data = { 100, 110, 120, 130, 140, 150 };
   int index = binarySearch(data, 120);
   System.out.println(index);
}

static int binarySearch(int[] keys, int v)
{
   int position;
   int begin = 0, end = keys.length - 1;
   while (begin <= end)
   {
      position = (begin + end) / 2;
      if (keys[position] == v)
      {
         return position;
      }
      else if (keys[position] < v)
      {
         begin = position + 1;
      }
      else
      {
         end = position - 1;
      }
   }
   return -1;
}

【问题讨论】：

听起来你把作业丢给我们了。甚至尝试过自己寻找答案？此外：您的代码不使用二进制搜索。不要给方法命名与方法实际执行的名称不匹配。
这不是作业，老师代码取自这里users.soe.ucsc.edu/~sbrandt/13H/slides/Chapter5.pdf我在帖子中说我正在阅读，我正在学习自己..你现在清楚了吗？
在 naoming 约定中，Järgermeister 是对的 - 您的代码不是二进制搜索 :)
@Supahupe 谢谢你，我明白了
@GfsdGfds 确切地说：您刚刚发布了一些代码。您没有提供任何证据表明您试图自己解决此问题。

标签： java

【解决方案1】：

第一个解决方案是 O(n)。

第二个解决方案是 O(log n)。

【讨论】：

你怎么知道第二个解决方案是 O(log n) ？谢谢
@GfsdGfds stackoverflow.com/a/6094889/106261
@GfsdGfds 因为问题（仍然要访问的数组元素的数量）在每次迭代中都会减半。您只能这样做 log n 次，因此 while 循环将迭代最大 log n 次，这是您的大 O 时间复杂度。

【解决方案2】：

在您的实现中，运行时间为 O(n)。在下面的实现中，它是O(log n)，在log n期间表示它是二进制对数。

您可以看到这一点，因为数组总是在中间分开。这就像每次除以二，这与指数运算相反，也称为对数。

请注意，二进制搜索只有在您有排序数组时才能正常工作。

对于一次运行，它会更慢，因为您首先必须对数组进行排序。在大多数情况下，排序会进行一次，搜索会进行多次 - 因此二分查找对您的好处会更大。

【讨论】：

谢谢 .. 排序数组的大 O 表示法是什么？
这取决于您选择的排序算法。更快（恕我直言，最快）的排序算法之一是归并排序，其平均运行时间为 O(n * log n)，最坏情况下为 O(n²)