系列文章
- 使用JavaScript学习数据结构和算法（1）| 小册免费学
- 使用JavaScript学习数据结构和算法（2）| 小册免费学
- 使用JavaScript学习数据结构和算法（3）| 小册免费学
- 使用JavaScript学习数据结构和算法（4）| 小册免费学
搜索算法
顺序搜索
顺序或线性搜索是最基本的搜索算法，它的机制是，将每一个数据结构中的元素和我们要找的元素做比较，顺序搜索是一种抵消的算法。
步骤
- 遍历这个呢个数组，并将每个元素和搜索项比较
- 如果搜索到就返回 true 或索引，搜素不到返回 false 或-1，
二分搜索
二分搜索采用分而治之的方法，这个算法要求被搜索的数据结构已排序，然后将数据一分为二。直到找到该值为止。
步骤
- 选择选中值的中间值
- 如果选择的值是待搜索值，那么算法执行结束（找到了）
- 如果待搜索的值比选中值要小，则返回步骤 1 并在选中值左边的子数组中寻找
- 如果待搜索的值比选中值要大，则返回步骤 1 并在选中值右边的子数组中寻找。
JS 实现 | 循环版本
function binarySeachFindIndex(arr, target) {
let low = 0;
let high = arr.length - 1;
let mid = null;
while (low <= high) {
mid = Math.floor((low + high) / 2);
if (target === arr[mid]) {
return mid;
}
if (target > arr[mid]) {
low = mid + 1; // 猜大了 +1
} else {
high = mid - 1; // 猜小了 -1
}
}
return -1; // 没找到 返回 -1
}
let result = binarySeachFindIndex([1, 2, 3, 4, 5, 6], 5);
console.log(result); // 4
JS 实现 | 循环版本
function binarySeachFindIndex(arr, target, low = 0, high = arr.length - 1) {
let mid = Math.floor((low + high) / 2);
let cur = arr[mid];
if (cur === target) {
return mid;
} else if (cur > target) {
return binarySeachFindIndex(arr, target, low, mid - 1);
} else if (cur < target) {
return binarySeachFindIndex(arr, target, mid + 1, high);
} else {
return -1;
}
}
let result = binarySeachFindIndex([1, 2, 3, 4, 5, 6], 5);
console.log(result); // 4
补充知识
递归
能够调用自身的方法或函数就是递归函数,每个递归函数都必须有一个边界条件，即一个不再递归的条件（停止点），以防止无限递归，无限递归会导致栈溢出（stack overflow error）。
- 自己调用自己函数
- 存在一个边界条件 JS 数组扁平化
Array.prototype.flat = function() {
let arr = [];
this.forEach((item, index) => {
if (Array.isArray(item)) {
arr = arr.concat(item.flat()); //是数组 连接数组+继续递归
} else {
arr.push(item); // 非数组，push
}
});
return arr; // 递归出口
};
let arr = [
1,
2,
3,
[4, 5, 6, [7, 8, 9, [10]]],
[10, 11],
[12, 13, [14, 15, [16, 17, [18, 19, [20]]]]],
];
console.log(arr.flat());
// [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20]
斐波那契数列
定义
- 1 和 2 的斐波那契数是 1
- n(n > 2) 的斐波那契数是(n + 1)的斐波那契数加上(n - 2)的斐波那契数
- 参考爬楼梯
动态规划
动态规划，是一种将复杂问题分解成更小问题来解决的优化技术。
- 参考最大子序和
贪心算法
贪心算法遵循一种近似解决问题的技术，期盼通过每个阶段的局部最优选择，从而达到全局的最优。
大 O 表示法
即时间复杂度，通常使用最差的时间复杂度来衡量一个算法的好坏，即 CUP 运行一个算法所需的时间。
- O(1)：只运行一次
- O(log(n))： 运行 n 的对数次
- O(n)：运行 n 次，n 是(输入)数组的大小
- O(n^2)：运行 n^2，输入值的平方
参考
来自九旬的原创：博客原文链接
本文正在参与「掘金小册免费学啦！」活动, 点击查看活动详情
