摩尔投票法：线性时间寻找多数元素的优雅算法

在算法面试和数据处理中，我们常遇到一类问题：给定一个长度为 n 的数组，找出其中出现次数超过 n/2 的 "多数元素"（众数） 。若不做特殊限制，最直观的做法是用哈希表统计频次，时间复杂度 O(n)，空间复杂度 O(n)。但能否在 O(n) 时间 + O(1) 空间 内完成？答案是肯定的------这就是 摩尔投票法（Boyer--Moore Majority Vote Algorithm）。

一、算法核心思想

摩尔投票法巧妙地将 "投票" 与 "抵消" 机制结合，其逻辑极为简洁：

维护一个候选元素 candidate 和一个计数器 count，初始 count = 0。
遍历数组每个元素 num：

若 count == 0，则将 candidate 设为当前 num。
若 num == candidate，则 count++，否则 count--。

遍历结束后，candidate 即为多数元素（若确实存在）。

这背后的直观理解是：不同的元素两两配对抵消，最终剩下的就是出现次数过半的那个"胜者"。

二、代码实现解析

以下 Java 方法完美实现了该算法：

java 复制代码

public static int getMaxCount(int[] ans) {
    int count = 0;
    int temp = 0;
    for (int num : ans) {
        if (count == 0) {
            temp = num;
        }
        count += (num == temp) ? 1 : -1;
    }
    return temp;
}

逐行解读

行/操作	说明
`count == 0`	意味着之前候选元素已被完全抵消，重新选定当前元素为候选
`num == temp` → `+1`	当前元素与候选相同则加一票
`num != temp` → `-1`	不同则减一票（相当于一次抵消）
最终 `temp`	经过多轮抵消后存活的候选元素

为何不必二次验证？

重要前提： 该算法仅在题目 保证多数元素一定存在 时，返回结果必定正确。若多数元素不存在（如数组 [1, 2, 3]），算法仍会返回一个值，但该值并非真正众数。因此，在实际工程中，如果无法确保输入条件，通常需要再遍历一次数组验证候选者的频次是否超过 n/2。

三、复杂度与适用场景

项目	指标
时间复杂度	`O(n)`，仅一次遍历
空间复杂度	`O(1)`，仅两个变量
适用场景	流式数据、单次遍历、内存受限环境

典型题目

LeetCode 169 --- 多数元素
面试高频手写题

四、示例运行分析

java 复制代码

int[] ints = {2, 1, 6, 5, 6, 1, 1, 1, 1, 1, 1, 4, 0};

通过 printArrayDetail 我们得到频次分布：

元素	出现次数	占比
1	7	≈ 53.85%
其余元素	6	≈ 46.15%

元素 1 出现 7 次，占比约 53.85%，超过半数。

算法遍历过程

复制代码

初始候选 2 → 被后续 1、6、5 等逐步抵消 → 最终候选锁定为 1 ✅

与统计结果完全吻合。你贴心地打印了每个元素的详细计数和百分比，这对调试和理解数据分布很有帮助。

完整代码

java 复制代码

import java.util.HashMap;
import java.util.Map;

public class MaxCount {
    public static void main(String[] args) {
        int[] ints = {2, 1, 6, 5, 6, 1, 1, 1, 1, 1, 1, 4, 0};
        int maxCount = getMaxCount(ints);
        printArrayDetail(ints);
        System.out.printf("Result: %s%n", maxCount);
    }

    public static int getMaxCount(int[] ans) {
        int count = 0;
        int temp = 0;
        for (int num : ans) {
            if (count == 0) {
                temp = num;
            }
            count += (num == temp) ? 1 : -1;
        }
        return temp;
    }

    public static void printArrayDetail(int[] ans) {
        Map<Integer, Integer> map = new HashMap<>();
        for (int num : ans) {
            map.put(num, map.getOrDefault(num, 0) + 1);
        }

        map.forEach((k, v) -> {
            String formatted = String.format(
                "* Element(%s) - Count(%s) - Percent(%.2f%%)", k, v, v * 100.0 / ans.length
            );
            System.out.println(formatted);
        });
    }
}

运行结果：

复制代码

F:\code26\env\jdk\bin\java.exe -javaagent:F:\program_files\idea-2026.1.win\lib\idea_rt.jar=10378 -Dfile.encoding=UTF-8 -Dsun.stdout.encoding=UTF-8 -Dsun.stderr.encoding=UTF-8 -classpath F:\code26\test-java\out\production\test-java MaxCount
* Element(0) - Count(1) - Percent(7.69%)
* Element(1) - Count(7) - Percent(53.85%)
* Element(2) - Count(1) - Percent(7.69%)
* Element(4) - Count(1) - Percent(7.69%)
* Element(5) - Count(1) - Percent(7.69%)
* Element(6) - Count(2) - Percent(15.38%)
Result: 1

Process finished with exit code 0

五、扩展思考：摩尔投票法的变体

变体	说明
出现次数 > n/3	可维护两个候选及对应计数，额外增加一次验证
非整数倍阈值	通过调整"抵消"条件，可适配不同比例要求
数据流场景	算法天然支持流式处理，只需常量内存即可实时输出当前候选

六、总结

摩尔投票法以极其精妙的 "抵消" 思路，用常量空间解决了看似需要哈希表的问题。它不仅是算法竞赛中的"背板题"，更体现了 通过问题特性优化资源的工程思维。

当你下次面对"多数元素"问题时，不妨用这短短几行代码，展现你的算法功底。

✨ 记住：多数元素的票数优势，足以让它在抵消浪潮中最后屹立不倒。