【C】153 寻找旋转排序数组中的最小值

已知一个长度为 n 的数组,预先按照升序排列,经由 1 到 n 次 旋转 后,得到输入数组。例如,原数组 nums = [0,1,2,4,5,6,7] 在变化后可能得到:

若旋转 4 次,则可以得到 [4,5,6,7,0,1,2]

若旋转 7 次,则可以得到 [0,1,2,4,5,6,7]

注意,数组 [a[0], a[1], a[2], ..., a[n-1]] 旋转一次 的结果为数组 [a[n-1], a[0], a[1], a[2], ..., a[n-2]] 。

给你一个元素值 互不相同 的数组 nums ,它原来是一个升序排列的数组,并按上述情形进行了多次旋转。请你找出并返回数组中的 最小元素 。

你必须设计一个时间复杂度为 O(log n) 的算法解决此问题。

c 复制代码
#include <stdio.h>

int findMin(int* nums, int numsSize) {
    int left = 0, right = numsSize - 1;
    
    while (left < right) {
        int mid = left + (right - left) / 2;
        
        if (nums[mid] > nums[right]) {
            left = mid + 1;
        } else {
            right = mid;
        }
    }
    
    return nums[left];
}

int main() {
    int nums[] = {4, 5, 6, 7, 0, 1, 2};
    int numsSize = sizeof(nums) / sizeof(nums[0]);
    
    int min = findMin(nums, numsSize);
    printf("最小元素为: %d\n", min);
    
    return 0;
}

总体思路,通过判断当前中间元素 nums[mid] 和最右侧元素 nums[right] 的大小关系,以确定最小元素的位置所在。

如果 nums[mid] > nums[right]:

这表示当前中间元素 nums[mid] 大于最右侧元素 nums[right],说明最小元素位于 mid 的右侧(包括 mid 自身)。因此,将搜索范围调整到 [mid + 1, right],即将 left 指针移到 mid + 1 处。

否则:

如果 nums[mid] <= nums[right],则说明最小元素位于 left 到 mid 之间(包括 mid)。因此,将搜索范围调整到 [left, mid],即将 right 指针移到 mid 处。

通过这样的判断和调整,不断缩小搜索范围,直到 left 和 right 指针相遇,找到最小元素的位置。

利用二分查找的思想,每次通过比较中间元素与右边界元素的大小关系,将搜索范围缩小一半,因此时间复杂度为 O(log n)。

这种算法充分利用了数组原本是升序排列的性质,并通过比较中间元素与右侧边界元素的大小关系,快速缩小搜索范围,从而找到最小值的位置。

相关推荐
Dillon Dong11 分钟前
从C到Simulink: 使用 `simulation_stubs`(仿真存根)处理MBD中的硬件依赖
c语言·stm32·matlab
Brduino脑机接口技术答疑27 分钟前
TDCA 算法在 SSVEP 场景中:Padding 的应用对象与工程实践指南
人工智能·python·算法·数据分析·脑机接口·eeg
optimistic_chen29 分钟前
【Redis 系列】常用数据结构---Hash类型
linux·数据结构·redis·分布式·哈希算法
keep_learning1111 小时前
Z-Image模型架构全解析
人工智能·算法·计算机视觉·大模型·多模态
点云SLAM1 小时前
Boost中Graph模块中boost::edge_capacity和boost::edge_capacity_t
数据库·算法·edge·图论·最大团·最大流算法·boost库使用
五阿哥永琪1 小时前
Redis的常用数据结构
数据结构·数据库·redis
代码游侠1 小时前
应用——基于C语言实现的简易Web服务器开发
运维·服务器·c语言·开发语言·笔记·测试工具
lihaihui19911 小时前
asan 内存问题分析
算法
Sheep Shaun1 小时前
STL中的map和set:红黑树的优雅应用
开发语言·数据结构·c++·后端·c#
算法与编程之美1 小时前
探索不同的损失函数对分类精度的影响.
人工智能·算法·机器学习·分类·数据挖掘