除了以上表格内容，搜索算法的选择还取决于数据体量、搜索性能要求、数据查询与更新频率等。 线性搜索 ‧ 通用性较好，无需任何数据预处理操作。假如我们仅需查询一次数据，那么其他三种方法的数据预处理 的时间比线性搜索的时间还要更长。 ‧ 适用于体量较小的数据，此情况下时间复杂度对效率影响较小。 ‧ 适用于数据更新频率较高的场景，因为该方法不需要对数据进行任何额外维护。 二分查找 ‧ 适用于 可在特定数据结构中快速定位目标元素。此类算法效 率高，时间复杂度可达 ?(log ?) 甚至 ?(1) ，但通常需要借助额外数据结构。 ‧ 实际中，我们需要对数据体量、搜索性能要求、数据查询和更新频率等因素进行具体分析，从而选择合 适的搜索方法。 ‧ 线性搜索适用于小型或频繁更新的数据；二分查找适用于大型、排序的数据；哈希查找适合对查询效率 要求较高且无需范围查询的数据；树查找适用于需要维护顺序和支持范围查询的大型动态数据。 Java）的内置排序函数都采用了插入排序，大致思路为：对于长数组，采用基 于分治的排序算法，例如快速排序；对于短数组，直接使用插入排序。 虽然冒泡排序、选择排序和插入排序的时间复杂度都为 ?(?2) ，但在实际情况中，插入排序的使用频率显 著高于冒泡排序和选择排序。这是因为： ‧ 冒泡排序基于元素交换实现，需要借助一个临时变量，共涉及 3 个单元操作；插入排序基于元素赋值实 现，仅需 1 个单元操作。因此，冒泡排序的计算开销通常比插入排序更高。

有序 有序 无序 搜索算法的选择还取决于数据体量、搜索性能要求、数据查询与更新频率等。 线性搜索 ‧ 通用性较好，无须任何数据预处理操作。假如我们仅需查询一次数据，那么其他三种方法的数据预处理 的时间比线性搜索的时间还要更长。 ‧ 适用于体量较小的数据，此情况下时间复杂度对效率影响较小。 ‧ 适用于数据更新频率较高的场景，因为该方法不需要对数据进行任何额外维护。 二分查找 ‧ 适用于 在特定数据结构中快速定位目标元素。此类算法效 率高，时间复杂度可达 ?(log ?) 甚至 ?(1) ，但通常需要借助额外数据结构。 ‧ 实际中，我们需要对数据体量、搜索性能要求、数据查询和更新频率等因素进行具体分析，从而选择合 适的搜索方法。 第 10 章 搜索 hello‑algo.com 223 ‧ 线性搜索适用于小型或频繁更新的数据；二分查找适用于大型、排序的数据；哈希查找适用于对查询效 大致思路为：对于长数组，采用基于 分治策略的排序算法，例如快速排序；对于短数组，直接使用插入排序。 虽然冒泡排序、选择排序和插入排序的时间复杂度都为 ?(?2) ，但在实际情况中，插入排序的使用频率显 著高于冒泡排序和选择排序，主要有以下原因。 ‧ 冒泡排序基于元素交换实现，需要借助一个临时变量，共涉及 3 个单元操作；插入排序基于元素赋值实 现，仅需 1 个单元操作。因此，冒泡排序的计算开销通常比插入排序更高。

有序 有序 无序 搜索算法的选择还取决于数据体量、搜索性能要求、数据查询与更新频率等。 线性搜索 ‧ 通用性较好，无须任何数据预处理操作。假如我们仅需查询一次数据，那么其他三种方法的数据预处理 的时间比线性搜索的时间还要更长。 ‧ 适用于体量较小的数据，此情况下时间复杂度对效率影响较小。 ‧ 适用于数据更新频率较高的场景，因为该方法不需要对数据进行任何额外维护。 二分查找 ‧ 适用于 在特定数据结构中快速定位目标元素。此类算法效 率高，时间复杂度可达 ?(log ?) 甚至 ?(1) ，但通常需要借助额外数据结构。 ‧ 实际中，我们需要对数据体量、搜索性能要求、数据查询和更新频率等因素进行具体分析，从而选择合 适的搜索方法。 ‧ 线性搜索适用于小型或频繁更新的数据；二分查找适用于大型、排序的数据；哈希查找适合对查询效率 要求较高且无须范围查询的数据；树查找适用于需要维护顺序和支持范围查询的大型动态数据。 Java）的内置排序函数都采用了插入排序，大致思路为：对于长数组，采用基 于分治的排序算法，例如快速排序；对于短数组，直接使用插入排序。 虽然冒泡排序、选择排序和插入排序的时间复杂度都为 ?(?2) ，但在实际情况中，插入排序的使用频率显 著高于冒泡排序和选择排序，主要有以下原因。 ‧ 冒泡排序基于元素交换实现，需要借助一个临时变量，共涉及 3 个单元操作；插入排序基于元素赋值实 现，仅需 1 个单元操作。因此，冒泡排序的计算开销通常比插入排序更高。

有序 有序 无序 搜索算法的选择还取决于数据体量、搜索性能要求、数据查询与更新频率等。 线性搜索 ‧ 通用性较好，无须任何数据预处理操作。假如我们仅需查询一次数据，那么其他三种方法的数据预处理 的时间比线性搜索的时间还要更长。 ‧ 适用于体量较小的数据，此情况下时间复杂度对效率影响较小。 ‧ 适用于数据更新频率较高的场景，因为该方法不需要对数据进行任何额外维护。 二分查找 ‧ 适用于 在特定数据结构中快速定位目标元素。此类算法效 率高，时间复杂度可达 ?(log ?) 甚至 ?(1) ，但通常需要借助额外数据结构。 ‧ 实际中，我们需要对数据体量、搜索性能要求、数据查询和更新频率等因素进行具体分析，从而选择合 适的搜索方法。 ‧ 线性搜索适用于小型或频繁更新的数据；二分查找适用于大型、排序的数据；哈希查找适用于对查询效 率要求较高且无须范围查询的数据；树查找适用于需要维护顺序和支持范围查询的大型动态数据。 大致思路为：对于长数组，采用基于 分治策略的排序算法，例如快速排序；对于短数组，直接使用插入排序。 虽然冒泡排序、选择排序和插入排序的时间复杂度都为 ?(?2) ，但在实际情况中，插入排序的使用频率显 著高于冒泡排序和选择排序，主要有以下原因。 ‧ 冒泡排序基于元素交换实现，需要借助一个临时变量，共涉及 3 个单元操作；插入排序基于元素赋值实 现，仅需 1 个单元操作。因此，冒泡排序的计算开销通常比插入排序更高。

有序 有序 无序 搜索算法的选择还取决于数据体量、搜索性能要求、数据查询与更新频率等。 线性搜索 ‧ 通用性较好，无须任何数据预处理操作。假如我们仅需查询一次数据，那么其他三种方法的数据预处理 的时间比线性搜索的时间还要更长。 ‧ 适用于体量较小的数据，此情况下时间复杂度对效率影响较小。 ‧ 适用于数据更新频率较高的场景，因为该方法不需要对数据进行任何额外维护。 二分查找 ‧ 适用于 在特定数据结构中快速定位目标元素。此类算法效 率高，时间复杂度可达 ?(log ?) 甚至 ?(1) ，但通常需要借助额外数据结构。 ‧ 实际中，我们需要对数据体量、搜索性能要求、数据查询和更新频率等因素进行具体分析，从而选择合 适的搜索方法。 第 10 章 搜索 www.hello‑algo.com 223 ‧ 线性搜索适用于小型或频繁更新的数据；二分查找适用于大型、排序的数据；哈希查找适用于对查询效 大致思路为：对于长数组，采用基于 分治策略的排序算法，例如快速排序；对于短数组，直接使用插入排序。 虽然冒泡排序、选择排序和插入排序的时间复杂度都为 ?(?2) ，但在实际情况中，插入排序的使用频率显 著高于冒泡排序和选择排序，主要有以下原因。 ‧ 冒泡排序基于元素交换实现，需要借助一个临时变量，共涉及 3 个单元操作；插入排序基于元素赋值实 现，仅需 1 个单元操作。因此，冒泡排序的计算开销通常比插入排序更高。

funcB funcC 内存信息查看工具： dmidecode • 可以看到小彭老师电脑上插了 2 块内存，频率都是 2667 MHz ，数据的宽度是 64 位（ 8 字节）。 • 理论极限带宽 = 频率 * 宽度 * 数量 2667*16*2=42672 MB/s • 那么，频率相同的情况下，可以考虑插两块 8GB 的内存， 比插一块 16GB 的内存更快，不过价格可能还是翻倍的。 •

年的趋势，在 2005 年 初我们就应该研发出 10GHz 的芯片。 • 可为何直到今天也生产不出 10GHz 的芯片？ • 结论：狭义的摩尔定律没有失效。但晶体管数 量的增加，不再用于继续提升单核频率，转而 用于增加核心数量。单核性能不再指数增长！ 你醒啦？免费午餐结束了！ 指望靠单核性能的增长带来程序性 能提升的时代一去不复返了，现在 要我们动动手为多核优化一下老的 程序，才能搭上摩尔定律的顺风车

12.2.3. Docker 部署 你可以使用 Docker 来部署本项目。稍等片刻，即可使用浏览器打开 http://localhost:8000 访问本项目。 git clone https://github.com/krahets/hello-algo.git cd hello-algo docker-compose up -d 使用以下命令即可删除部署。 docker-compose

12.2.3. Docker 部署 你可以使用 Docker 来部署本项目。稍等片刻，即可使用浏览器打开 http://localhost:8000 访问本项目。 git clone https://github.com/krahets/hello-algo.git cd hello-algo docker-compose up -d 使用以下命令即可删除部署。 docker-compose

保证了跨平台统一性 。 在自己的项目中，我推荐全部用对象库 (OBJECT) 替代静态库 (STATIC) 避免跨平台的麻烦 。 对象库仅仅作为组织代码的方式，而实际生成的可执行文件只有一个，减轻了部署的困难。 静态库的麻烦： GCC 编译器自作聪明，会自动剔除没有引用符号的那些对 象 对象库可以绕开编译器的不统一：保证不会自动剔除没引用到的对象文件 虽然动态库也可以避免剔除没引用的对象文件，但引入了运行时链接的麻烦