查找算法

C++ STL中常见容器的时间复杂度 map, set, multimap, and multiset 上述四种容器采用红黑树实现，红黑树是平衡二叉树的一种。不同操作的时间复杂度近似为: 插入: O(logN) 查看:O(logN) 删除:O(logN) hash_map, hash_set, hash_multimap, and hash_multiset 上述四种容器采用哈希表实现，不同操作的时间复杂度为： 插入:O(1)，最坏情况O(N)。 查看:O(1)，最坏情况O(N)。 删除:O(1)，最坏情况O(N)。 记住，如果你采用合适的哈希函数，你可能永远不会看到最坏情况。但是记住这一点是有必要的。 几种常见 容器 比较和分析 hashmap, map, vector, list ...hash table 转自： http://www.haogongju.net/art/1543058 list支持快速的插入和删除，但是查找费时; vector支持快速的查找，但是插入费时。 map查找的时间复杂度是对数的，这几乎是最快的，hash也是对数的。 如果我自己写，我也会用二叉检索树，它在大部分情况下可以保证对数复杂度，最坏情况是常数复杂度，而std::map在任何情况下都可以保证对数复杂度，原因是它保证存诸结构是完全二叉检索树，但这会在存诸上牺牲一些时间。 STL 中的 map

1.1 引言 算法是一组完成任务的指令。任何代码片段都可以视为算法 1.2 二分查找 场景：假设1-100的数字，查找75 简单查找：从1开始依次往上猜，需要才到75次才能才到 二分查找：50-75，2次就可以 使用二分查找时，没有都排除一半的数字。对于包含n个元素的列表，使用二分查找最多需要log 2 N步，而简单查找最多需要n步 来源： https://www.cnblogs.com/csj2018/p/12042169.html

1）字符串操作 strcpy(p, p1) 复制字符串 strncpy(p, p1, n) 复制指定长度字符串 strcat(p, p1) 附加字符串 strncat(p, p1, n) 附加指定长度字符串 strlen§ 取字符串长度 strcmp(p, p1) 比较字符串 strcasecmp忽略大小写比较字符串 strncmp(p, p1, n) 比较指定长度字符串 strchr(p, c) 在字符串中查找指定字符 strrchr(p, c) 在字符串中反向查找 strstr(p, p1) 查找字符串 strpbrk(p, p1) 以目标字符串的所有字符作为集合，在当前字符串查找该集合的任一元素 strspn(p, p1) 以目标字符串的所有字符作为集合，在当前字符串查找不属于该集合的任一元素的偏移 strcspn(p, p1) 以目标字符串的所有字符作为集合，在当前字符串查找属于该集合的任一元素的偏移 具有指定长度的字符串处理函数在已处理的字符串之后填补零结尾符 2）字符串到数值类型的转换 strtod(p, ppend) 从字符串 p 中转换 double 类型数值，并将后续的字符串指针存储到 ppend 指向的 char* 类型存储。 strtol(p, ppend, base) 从字符串 p 中转换 long 类型整型数值，base 显式设置转换的整型进制，设置为 0

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 传统的 hash 算法只负责将原始内容尽量均匀随机地映射为一个签名值，原理上相当于伪随机数产生算法。产生的两个签名，如果相等，说明原始内容在一定概 率 下是相等的；如果不相等，除了说明原始内容不相等外，不再提供任何信息，因为即使原始内容只相差一个字节，所产生的签名也很可能差别极大。从这个意义 上来 说，要设计一个 hash 算法，对相似的内容产生的签名也相近，是更为艰难的任务，因为它的签名值除了提供原始内容是否相等的信息外，还能额外提供不相等的 原始内容的差异程度的信息。 而 Google 的 simhash 算法产生的签名，可以满足上述要求。出人意料，这个算法并不深奥，其思想是非常清澈美妙的。 1、Simhash 算法简介 simhash算法的输入是一个向量，输出是一个 f 位的签名值。为了陈述方便，假设输入的是一个文档的特征集合，每个特征有一定的权重。比如特征可以是文档中的词，其权重可以是这个词出现的次数。 simhash 算法如下： 1，将一个 f 维的向量 V 初始化为 0 ； f 位的二进制数 S 初始化为 0 ； 2，对每一个特征：用传统的 hash 算法对该特征产生一个 f 位的签名 b 。对 i=1 到 f ： 如果b 的第 i 位为 1 ，则 V 的第 i 个元素加上该特征的权重； 否则，V

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 一、 Simhash 简介 SimHash 是用来网页去重最常用的 hash 方法，速度很快。 Google 采用这种算法来解决万亿级别的网页去重任务。 SimHash 算法的主要思想是降维。将高维的特征向量映射成一个低维的特征向量，通过两个向量的 Hamming Distance 来确定文章是否重复或者高度近似。 在 simhash 的发明人 Charikar 的论文中并没有给出具体的 simhash 算法和证明， “ 量子图灵 ” 得出的证明 simhash 是由随机超平面 hash 算法演变而来的 。 参考文献：《 Detecting Near-Duplicates for Web Crawling 》 二、 Simhash 和传统 hash 的区别 传统 hash 函数解决的是生成唯一值，比如 md5 ， hashmap 等。 Md5 是用于生成唯一签名串，只要稍微多加一个字符， md5 的两个数字看起来相差甚远。而我们的目的是解决文本相似度计算，要比较的是两个文章是否相似。而 simhash 对相似文本的哈希映射结果也相似。 传统的 hash 算法只负责将原始内容尽量均匀随机地映射为一个签名值，原理上相当于伪随机数产生算法。产生的两个签名，如果相等，说明原始内容在一定概率下是相等的；如果不相等

此文章为转载他人 二分查找 二分查找算法，说白了就是在有序的数组里面给予一个存在数组里面的值key，然后将其先和数组中间的比较，如果key大于中间值，进行下一次mid后面的比较，直到找到相等的，就可以得到它的位置。 前提：线性表中的记录必须是关键字有序（通常从小到大），线性表必须采用顺序存储。 基本思想：取中间记录作为比较对象，若给定值与中间记录的关键字相等，则查找成功；若给定值小于中间记录的关键字，则在中间记录的左半区继续查找；否则，在右半区查找。不断重复，直到查找成功或查找失败为止。 ——————————————— 来源： CSDN 作者： 此后无良辰 链接： https://blog.csdn.net/qq_40493829/article/details/103537387

1.find:查找元素 功能：查找指定元素，找到返回指定元素的迭代器，找不到返回迭代器end() # include "pch.h" # include <iostream> # include <vector> # include <string> # include <algorithm> using namespace std ; //find查找内置数据类型 void test01 ( ) { vector < int > v ; for ( int i = 0 ; i < 10 ; i ++ ) { v . push_back ( i ) ; } //查找容器中 是否有5这个元素 vector < int > :: iterator it = find ( v . begin ( ) , v . end ( ) , 5 ) ; if ( it == v . end ( ) ) { cout << "没找到！" << endl ; } else { cout << "找到：" << * it << endl ; } } //查找自定义数据类型 class person { public : person ( int age , string name ) { this - > m_age = age ; this - > m_name = name ; } //重载==

　　这题我总觉得 oj 有问题。。。就算真的复杂度很高，也不可能通不过一个样例吧。。。 　　第一眼没注意到每一列都从上到下递增，写出来的算法平均时间复杂度为 O(lgn * lgm)，最坏为O(nlgm)，思路就是对第一列做二分查找得到一个行区间，然后遍历行区间，对每一行做二分查找，但提交后有段错误（本地 MSVC 编译、运行没问题）。。。 　　然后又认真看一遍题之后，经过思考各种边界情况，优化了很多小地方的查找步数，时间复杂度肯定比第一个小很多，所以有点不敢相信居然超时？ class Solution { public: bool Find(int target, std::vector<std::vector<int>> array) { if (array.empty()) return false; if (array[0][0] > target) return false; if (array[array.size() - 1][array[0].size() - 1] < target) return false; int start_col = 0, end_col = array.size() - 1, mid_col = (start_col + end_col) / 2; while (array[start_col][0] < target &&

文章为转载： MySQL逻辑架构及性能优化原理 　　说起MySQL的查询优化，相信所有人都了解一些最简单的技巧：不能使用SELECT *、不使用NULL字段、合理创建索引、为字段选择合适的数据类型….. 你是否真的理解这些优化技巧？是否理解其背后的工作原理？在实际场景下性能真有提升吗？我想未必。因而理解这些优化建议背后的原理就尤为重要。 MySQL逻辑架构 　　如果能在头脑中构建一幅MySQL各组件之间如何协同工作的架构图，有助于深入理解MySQL服务器。下图展示了MySQL的逻辑架构图。 　　MySQL逻辑架构整体分为三层，最上层为客户端层，并非MySQL所独有，诸如：连接处理、授权认证、安全等功能均在这一层处理。 　　MySQL大多数核心服务均在中间这一层，包括查询解析、分析、优化、缓存、内置函数(比如：时间、数学、加密等函数)。所有的跨存储引擎的功能也在这一层实现：存储过程、触发器、视图等。 　　最下层为存储引擎，其负责MySQL中的数据存储和提取。和Linux下的文件系统类似，每种存储引擎都有其优势和劣势。中间的服务层通过API与存储引擎通信，这些API接口屏蔽了不同存储引擎间的差异。 　　 　　 每一个客户端发起一个新的请求都由服务器端的连接/线程处理工具负责接收客户端的请求并开辟一个新的内存空间，在服务器端的内存中生成一个新的线程

一、概述 二、数据类型 STRING LIST SET HASH ZSET 三、数据结构 字典 跳跃表 四、使用场景 计数器 缓存 查找表 消息队列 会话缓存 分布式锁实现 其它 五、Redis 与 Memcached 数据类型 数据持久化 分布式 内存管理机制 六、键的过期时间 七、数据淘汰策略 八、持久化 RDB 持久化 AOF 持久化 九、事务 十、事件 文件事件 时间事件 事件的调度与执行 十一、复制 连接过程 主从链 十二、Sentinel 十三、分片 十四、一个简单的论坛系统分析 文章信息 点赞功能 对文章进行排序 参考资料 一、概述 Redis 是速度非常快的非关系型（NoSQL）内存键值数据库，可以存储键和五种不同类型的值之间的映射。 键的类型只能为字符串，值支持五种数据类型：字符串、列表、集合、散列表、有序集合。 Redis 支持很多特性，例如将内存中的数据持久化到硬盘中，使用复制来扩展读性能，使用分片来扩展写性能。 二、数据类型 数据类型 可以存储的值 操作 STRING 字符串、整数或者浮点数 对整个字符串或者字符串的其中一部分执行操作 对整数和浮点数执行自增或者自减操作 LIST 列表 从两端压入或者弹出元素 对单个或者多个元素进行修剪， 只保留一个范围内的元素 SET 无序集合 添加、获取、移除单个元素 检查一个元素是否存在于集合中 计算交集、并集、差集