二分查找（c & c++）

typedef int ElemType;

C版本号

【递归版本号】

int binSearch2(ElemType List[] ,int x,int head,int tail){ //递归版本号
	while(head<=tail){
		int mid=(head+tail)/2;
		if(List[mid]==x){
			return mid;
		}
			
		else if(List[mid]>x){
			return binSearch2(List,x,head,mid-1);
		}
		else{
			return binSearch2(List,x,mid+1,tail);
		}
	}
	return -1;
}

【迭代版本号】

int binSearch(ElemType List[] ,int x,int head,int tail){ //循环版本号
	while(head<=tail){
		int mid=(head+tail)/2;
		if(List[mid]==x)
			return mid;
		else if(List[mid]>x){ //注意别写反
			tail=mid-1;
		}
		else{
			head=mid+1;
		}
	}
	return -1;
}

C++版本号

上面是之前C语言的版本号。这里用C++再来实现。有三个版本号，顺便进行效率的分析。

【版本号A】

template <typename T> static int Binsearcha(T *arr ,int lo,int hi,T x){
	while(lo < hi){
		int mid = (lo + hi) >>1;
		if(x <arr[mid]) hi = mid;
		else if (arr[mid] < x) lo = mid + 1;
		else return mid;
	}
	return -1; //查找失败
}

先看是否在左边，再看是否在右边，都不是就找到了。能够看出每次循环，假设x小于mid位置的元素仅仅须要一次比較。而当mid位置的元素小于x则须要两次比較。这样就造成了效率的分差。即：当所找的元素在左边效率高。在右边效率低。经过课上的分析得出，版本号A的算法平均效率为Θ（1.50 log(n)）。

怎么优化呢？　左边查找效率高，右边效率低，那么我们取ｍｉｄ的时候不在中间取，而是多往ｈｉ靠近。

也就是说增长左边的区间，缩短右边的区间。这样就能尽量的“平均”分配。　经过证明这个比例的最优版本号就是黄金切割　0.618： 0.382；也就是斐波那契相邻两个数的比例。

所以这个优化也能够称作是斐波那契查找。平均效率Θ（1.44 log(n)）；是这样的方法的最优效率。

由于版本号B，C的二分查找效率更高所以这里也不给出斐波那契查找的算法实现了。

版本号A之所以效率低，无非是左右两边查找效率不同所致。事实上我们能够让他们变得同样。

【版本号 B】

template <typename T> static int Binsearchb(T *arr ,int lo,int hi,T x){
	while(1 < hi - lo){
		int mid = (lo + hi) >>1;
		if(x <arr[mid]) hi = mid;
		else lo = mid;
	}
	return (x == arr[lo]) ?
 lo : -1;
}

仅仅用if else 每次将区间分成两部分，取其一就可以。这样不管是大还是小都仅仅需比較1次。然后不断压缩区间。

由于STL中区间都是左闭又开的[ a , b ) ，所以终于hi - lo == 1 终止循环就可以， lo 所在位置就是所找的元素。

【版本号C】

template <typename T> static int Binsearchc(T *arr ,int lo,int hi,T x){
	while(lo < hi){
		int mid = (lo + hi) >>1;
		if(x <arr[mid]) hi = mid;
		else lo = mid+1;
	}
	return --lo;
}

为了实现其它接口（比如 insert）的调用，我们希望这个函数返回的是在arr中不大于x最后一个位置，因此在切割区间的时候我们我们尽量用lo去逼近所要查找的值

终于结果无非是两个，①lo刚好等于要找的元素，②找到比要查找元素大的那个数（即序列中没有所找的元素x）。然后返回 -- lo ，也就是（在arr中不大于x的最后一个位置）；

能够看出在最好的情况版本号A的效率是O（1），平均效率 Θ（1.50 log(n)）。