面试时的Java数据结构与算法 下载本文

实现代码: /**

*@Description:归并排序算法的实现 *@author 王旭 */

public class MergeSort {

public static void mergeSort(int[] arr) { mSort(arr, 0, arr.length-1); }

/**

* 递归分治

* @param arr 待排数组 * @param left 左指针 * @param right 右指针 */

public static void mSort(int[] arr, int left, int right) { if(left >= right) return ;

int mid = (left + right) / 2;

mSort(arr, left, mid); //递归排序左边 mSort(arr, mid+1, right); //递归排序右边 merge(arr, left, mid, right); //合并 }

/**

* 合并两个有序数组

* @param arr 待合并数组 * @param left 左指针 * @param mid 中间指针 * @param right 右指针

*/

public static void merge(int[] arr, int left, int mid, int right) { //[left, mid] [mid+1, right]

int[] temp = new int[right - left + 1]; //中间数组

int i = left; int j = mid + 1; int k = 0;

while(i right) {

if(arr[i] arr[j]) {

temp[k++] = arr[i++]; } else {

temp[k++] = arr[j++]; } }

while(i mid) {

temp[k++] = arr[i++]; }

while(j right) {

temp[k++] = arr[j++]; }

for(int p=0; p) {

arr[left + p] = temp[p]; }

} }

计数排序

如果在面试中有面试官要求你写一个O(n)时间复杂度的排序算法,你千万不要立刻说:这不可能!虽然前面基于比较的排序的下限是O(nlogn)。但是确实也有线性时间复杂度的排序,只不过有前提条件,就是待排序的数要满足一定的范围的整数,而且计数排序需要比较多的辅助空间。其基本思想是,用待排序的数作为计数数组的下标,统计每个数字的个数。然后依次输出即可得到有序序列。

实现代码: /**

*@Description:计数排序算法实现 *@author 王旭

*/

public class CountSort {

public static void countSort(int[] arr) { if(arr == null || arr.length == 0) return ;

int max = max(arr);

int[] count = new int[max+1]; Arrays.fill(count, 0);

for(int i=0; i) {

count[arr[i]] ++; }

int k = 0;

for(int i=0; i) { for(int j=0; j) { arr[k++] = i; } }

}

public static int max(int[] arr) {

int max = Integer.MIN_VALUE;

for(int ele : awww.shanxiwang.netrr) { if(ele > max) max = ele; }

return max; } }

桶排序

桶排序算是计数排序的一种改进和推广,但是网上有许多资料把计数排序和桶排序混为一谈。其实桶排序要比计数排序复杂许多。

桶排序的基本思想:

假设有一组长度为N的待排关键字序列K[1?.n]。首先将这个序列划分成M个的子区间

(桶) 。然后基于某种映射函数 ,将待排序列的关键字k映射到第i个桶中(即桶数组B的下标 i) ,那么该关键字k就作为B[i]中的元素(每个桶B[i]都是一组大小为N/M的序列)。接着对每个桶B[i]中的所有元素进行比较排序(可以使用快排)。然后依次枚举输出B[0]?.B[M]中的全部内容即是一个有序序列。bindex=f(key) 其中,bindex 为桶数组B的下标(即第bindex个桶), k为待排序列的关键字。桶排序之所以能够高效,其关键在于这个映射函数,它必须做到:如果关键字k1

举个栗子:

假如待排序列K= {49、 38 、 35、 97 、 76、 73 、 27、 49 }。这些数据全部在1—100之间。因此我们定制10个桶,然后确定映射函数f(k)=k/10。则第一个关键字49将定位到第4个桶中(49/10=4)。依次将所有关键字全部堆入桶中,并在每个非空的桶中进行快速排序后得到如图所示。只要顺序输出每个B[i]中的数据就可以得到有序序列了。

桶排序分析:

桶排序利用函数的映射关系,减少了几乎所有的比较工作。实际上,桶排序的f(k)值的计算,其作用就相当于快排中划分,希尔排序中的子序列,归并排序中的子问题,已经把大量数据分割成了基本有序的数据块(桶)。然后只需要对桶中的少量数据做先进的比较排序即可。

对N个关键字进行桶排序的时间复杂度分为两个部分:

(1) 循环计算每个关键字的桶映射函数,这个时间复杂度是O(N)。

(2) 利用先进的比较排序算法对每个桶内的所有数据进行排序,其时间复杂度为 ∑ O(Ni*logNi) 。其中Ni 为第i个桶的数据量。

很显然,第(2)部分是桶排序性能好坏的决定因素。尽量减少桶内数据的数量是提高效率的唯一办法(因为基于比较排序的最好平均时间复杂度只能达到O(N*logN)了)。因此,我们需要尽量做到下面两点:

(1) 映射函数f(k)能够将N个数据平均的分配到M个桶中,这样每个桶就有[N/M]个数据量。

(2) 尽量的增大桶的数量。极限情况下每个桶只能得到一个数据,这样就完全避开了桶内数据的“比较”排序操作。当然,做到这一点很不容易,数据量巨大的情况下,f(k)函数会使

得桶集合的数量巨大,空间浪费严重。这就是一个时间代价和空间代价的权衡问题了。

对于N个待排数据,M个桶,平均每个桶[N/M]个数据的桶排序平均时间复杂度为:

O(N)+O(M(N/M)log(N/M))=O(N+N(logN-logM))=O(N+NlogN-N*logM)

当N=M时,即极限情况下每个桶只有一个数据时。桶排序的最好效率能够达到O(N)。

总结: 桶排序的平均时间复杂度为线性的O(N+C),其中C=N*(logN-logM)。如果相对于同样的N,桶数量M越大,其效率越高,最好的时间复杂度达到O(N)。 当然桶排序的空间复杂度 为O(N+M),如果输入数据非常庞大,而桶的数量也非常多,则空间代价无疑是昂贵的。此外,桶排序是稳定的。

实现代码: /**

*@Description:桶排序算法实现 *@author 王旭 */

public class BucketSort {

public static void bucketSort(int[] arr) { if(arr == null & arr.length == 0) return ;

int bucketNums = 10; //这里默认为10,规定待排数[0,100) List> buckets = new ArrayList>(); //桶的索引

for(int i=0; i) {

buckets.add(new LinkedList()); //用链表比较合适 }

//划分桶

for(int i=0; i) {

buckets.get(f(arr[i])).add(arr[i]); }

//对每个桶进行排序 for(int i=0; i) {

if(!buckets.get(i).isEmpty()) {

Collections.sort(buckets.get(i)); //对每个桶进行快排 } }