这篇文章主要介绍了javascript常用算法,结合实例形式较为详细的分析总结了JavaScript中常见的各种排序算法以及堆、栈、链表等数据结构的相关实现与使用技巧,需要的朋友可以参考下
本文实例讲述了javascript常用算法。分享给大家供大家参考，具体如下：
入门级算法-线性查找-时间复杂度O(n)--相当于算法界中的HelloWorld
//线性搜索(入门HelloWorld) //A为数组，x为要搜索的值 function linearSearch(A, x) { for (var i = 0; i 二分查找(又称折半查找) - 适用于已排好序的线性结构 - 时间复杂度O(logN)
//二分搜索 //A为已按"升序排列"的数组，x为要查询的元素 //返回目标元素的下标 function binarySearch(A, x) { var low = 0, high = A.length - 1; while (low <= high) { var mid = Math.floor((low + high) / 2); //下取整 if (x == A[mid]) { return mid; } if (x 冒泡排序 -- 时间复杂度O(n^2)
//冒泡排序 function bubbleSort(A) { for (var i = 0; i i; j--) { if (A[j] 选择排序 -- 时间复杂度O(n^2)
//选择排序 //思路：找到最小值的下标记下来，再交换 function selectionSort(A) { for (var i = 0; i 插入排序 -- 时间复杂度O(n^2)
//插入排序 //假定当前元素之前的元素已经排好序，先把自己的位置空出来， //然后前面比自己大的元素依次向后移，直到空出一个"坑"， //然后把目标元素插入"坑"中 function insertSort(A) { for (var i = 1; i = 0 && A[j] > x; j--) { A[j + 1] = A[j]; } if (A[j + 1] != x) { A[j + 1] = x; println(A); } } return A; } 字符串反转 -- 时间复杂度O(logN)
//字符串反转(比如：ABC -> CBA) function inverse(s) { var arr = s.split(''); var i = 0, j = arr.length - 1; while (i 关于稳定性排序的一个结论：
基于比较的简单排序算法，即时间复杂度为O(N^2)的排序算法，通常可认为均是稳定排序
其它先进的排序算法，比如归并排序、堆排序、桶排序之类（通常这类算法的时间复杂度可优化为n*LogN），通常可认为均是不稳定排序
单链表实现
关于邻接矩阵、邻接表的选择：
邻接矩阵、邻接表都是图的基本存储方式，
稀松图情况下（即边远小于顶点情况下），用邻接表存储比较适合（相对矩阵N*N而言，邻接表只存储有值的边、顶点，不存储空值，存储效率更高）
稠密图情况下（即边远大地顶点情况下），用邻接矩阵存储比较适合（数据较多的情况下，要对较做遍历，如果用链表存储，要经常跳来跳去，效率较低）
堆：
几乎完全的二叉树：除了最右边位置上的一个或几个叶子可能缺少的二叉树。在物理存储上，可以用数组来存储，如果A[j]的顶点有左、右子节点，则左节点为A[2j]、右节点为A[2j+1]，A[j]的父顶点存储在A[j/2]中
堆：本身是一颗几乎完全的二叉树，而且父节点的值不小于子节点的值。应用场景：优先队列，寻找最大或次最大值；以及把一个新元素插入优先队列。
注：以下所有讨论的堆，约定索引0处的元素仅占位，有效元素从下标1开始
根据堆的定义，可以用以下代码测试一个数组是否为堆：
//测试数组H是否为堆 //(约定有效元素从下标1开始) //时间复杂度O(n) function isHeap(H) { if (H.length <= 1) { return false; } var half = Math.floor(H.length / 2); //根据堆的性质，循环上限只取一半就够了 for (var i = 1; i <= half; i++) { //如果父节点，比任何一个子节点 小，即违反堆定义 if (H[i] 节点向上调整siftUp
某些情况下，如果堆中的某个元素值改变后(比如 10,8,9,7 变成 10,8,9,20 后，20需要向上调整 )，不再满足堆的定义，需要向上调整时，可以用以下代码实现
//堆中的节点上移 //(约定有效元素从下标1开始) function siftUp(H, i) { if (i <= 1) { return; } for (var j = i; j > 1; j = Math.floor(j / 2)) { var k = Math.floor(j / 2); //发现 子节点 比 父节点大，则与父节点交换位置 if (H[j] > H[k]) { var t = H[j]; H[j] = H[k]; H[k] = t; } else { //说明已经符合堆定义，调整结束，退出 return; } } } 节点向下调整siftDown (既然有向上调整，自然也有向下调整)
//堆中的节点下移 //(约定有效元素从下标1开始) //时间复杂度O(logN) function siftDown(H, i) { if (2 * i > H.length) { //叶子节点，就不用再向下移了 return; } for (var j = 2 * i; j H[j]) { j++; } var k = Math.floor(j / 2); if (H[k] 向堆中添加新元素
//向堆H中添加元素x //时间复杂度O(logN) function insert(H, x) { //思路：先在数组最后加入目标元素x H.push(x); //然后向上推 siftUp(H, H.length - 1); } 从堆中删除元素
//删除堆H中指定位置i的元素 //时间复杂度O(logN) function remove(H, i) { //思路：先把位置i的元素与最后位置的元素n交换 //然后数据长度减1(这样就把i位置的元素给干掉了，但是整个堆就被破坏了) //需要做一个决定：最后一个元素n需要向上调整，还是向下调整 //依据：比如比原来该位置的元素大，则向上调整，反之向下调整 var x = H[i]; //先把原来i位置的元素保护起来 //把最后一个元素放到i位置 //同时删除最后一个元素(js语言的优越性体现!) H[i] = H.pop(); var n = H.length - 1; if (i == n + 1) { //如果去掉的正好是最后二个元素之一， //无需再调整 return ; } if (H[i] > x) { siftUp(H, i); } else { siftDown(H, i); } } //从堆中删除最大项 //返回最大值 //时间复杂度O(logN) function deleteMax(H) { var x = H[1]; remove(H, 1); return x; } 堆排序：
这是一种思路非常巧妙的排序算法，精华在于充分利用了“堆”这种数据结构本身的特点（首元素必然最大），而且每个元素的上移、下调，时间复试度又比较低，仅为O(logN)，空间上，也无需借助额外的存储空间，仅在数组自身内部交换元素即可。
思路：
1、先将首元素(即最大元素)与最末尾的元素对调---目的在于，把最大值沉底，下一轮重就不再管它了
2、经过1后，剩下的元素通常已经不再是一个堆了。这时，只要把新的首元素用siftDown下调，调整完以后，新的最大值元素自然又上升到了首元素的位置
3、反复1、2，大的元素逐一沉底，最后整个数组就有序了。
时间复杂度分析：创建堆需要O(n)的代价，每次siftDown代价为O(logN)，最多调整n-1个元素，所以总代价为 O(N) + (N-1)O(logN)，最终时间复杂度为O(NLogN)
//堆中的节点下移 //(约定有效元素从下标1开始) //i为要调整的元素索引 //n为待处理的有效元素下标范围上限值 //时间复杂度O(logN) function siftDown(H, i, n) { if (n >= H.length) { n = H.length; } if (2 * i > n) { //叶子节点，就不用再向下移了 return; } for (var j = 2 * i; j H[j]) { j++; } var k = Math.floor(j / 2); if (H[k] = A.length) { n = A.length; } for (var i = Math.floor(n / 2); i >= 1; i--) { siftDown(A, i, n); } } //堆排序(非降序排列) //时间复杂度O(nlogN) function heapSort(H) { //先建堆 makeHeap(H, H.length); for (var j = H.length - 1; j >= 2; j--) { //首元素必然是最大的 //将最大元素与最后一个元素互换， //即将最大元素沉底，下一轮不再考虑 var x = H[1]; H[1] = H[j]; H[j] = x; //互换后，剩下的元素不再满足堆定义， //把新的首元素下调(以便继续维持堆的"形状") //调整完后，剩下元素中的最大值必须又浮到了第一位 //进入下一轮循环 siftDown(H, 1, j - 1); } return H; } 关于建堆，如果明白其中的原理后，也可以逆向思路，反过来做
function makeHeap2(A, n) { if (n >= A.length) { n = A.length; } for (var i = Math.floor(n / 2); i <= n; i++) { siftUp(A, i); } } 不相交集合查找、合并
//定义节点Node类 var Node = function (v, p) { this.value = v; //节点的值 this.parent = p; //节点的父节点 this.rank = 0; //节点的秩(默认为0) } //查找包含节点x的树根节点 var find = function (x) { var y = x; while (y.parent != null) { y = y.parent; } var root = y; y = x; //沿x到根进行“路径压缩” while (y.parent != null) { //先把父节点保存起来，否则下一行调整后，就弄丢了 var w = y.parent; //将目标节点挂到根下 y.parent = root; //再将工作指针，还原到 目标节点原来的父节点上， //继续向上逐层压缩 y = w } return root; } //合并节点x，y对应的两个树 //时间复杂度O(m) - m为待合并的子集合数量 var union = function (x, y) { //先找到x所属集合的根 var u = find(x); //再找到y所属集合的根 var v = find(y); //把rank小的集合挂到rank大的集合上 if (u.rank <= v.rank) { u.parent = v; if (u.rank == v.rank) { //二个集合的rank不分伯仲时 //给"胜"出方一点奖励，rank+1 v.rank += 1; } } else { v.parent = u; } } 归纳法：
先来看二个排序的递归实现
//选择排序的递归实现 //调用示例: selectionSort([3,2,1],0) function selectionSortRec(A, i) { var n = A.length - 1; if (i 0) { var x = A[i]; insertSortRec(A, i - 1); var j = i - 1; while (j >= 0 && A[j] > x) { A[j + 1] = A[j]; j--; } A[j + 1] = x; } } 递归的程序通常易于理解，代码也容易实现，再来看二个小例子：
从数组中，找出最大值
//在数组中找最大值(递归实现) function findMax(A, i) { if (i == 0) { return A[0]; } var y = findMax(A, i - 1); var x = A[i - 1]; return y > x ? y : x; } var A = [1,2,3,4,5,6,7,8,9]; var test = findMax(A,A.length); alert(test);//返回9 有一个已经升序排序好的数组，检查数组中是否存在二个数，它们的和正好为x ？
//5.33 递归实现 //A为[1..n]已经排好序的数组 //x为要测试的和 //如果存在二个数的和为x，则返回true，否则返回false function sumX(A, i, j, x) { if (i >= j) { return false; } if (A[i] + A[j] == x) { return true; } else if (A[i] + A[j] 递归程序虽然思路清晰，但通常效率不高，一般来讲，递归实现，都可以改写成非递归实现，上面的代码也可以写成：
//5.33 非递归实现 function sumX2(A, x) { var i = 0, j = A.length - 1; while (i 递归并不总代表低效率，有些场景中，递归的效率反而更高，比如计算x的m次幂，常规算法，需要m次乘法运算，下面的算法，却将时间复杂度降到了O(logn)
//计算x的m次幂（递归实现） //时间复杂度O(logn) function expRec(x, m) { if (m == 0) { return 1; } var y = expRec(x, Math.floor(m / 2)); y = y * y; if (m % 2 != 0) { y = x * y } return y; } 当然，这其中并不光是递归的功劳，其效率的改进 主要依赖于一个数学常识： x^m = [x^(m/2)]^2，关于这个问题，还有一个思路很独特的非递归解法，巧妙的利用了二进制的特点
//将10进制数转化成2进制 function toBin(dec) { var bits = []; var dividend = dec; var remainder = 0; while (dividend >= 2) { remainder = dividend % 2; bits.push(remainder); dividend = (dividend - remainder) / 2; } bits.push(dividend); bits.reverse(); return bits.join(""); } //计算x的m次幂（非递归实现） //很独特的一种解法 function exp(x, m) { var y = 1; var bin = toBin(m).split(''); //先将m转化成2进制形式 for (var j = 0; j 再来看看经典的多项式求值问题：
给定一串实数An，An-1，...，A1，A0 和一个实数X，计算多项式Pn(x)的值
著名的Horner公式：
已经如何计算：
显然有：
这样只需要 N次乘法+N次加法
//多项式求值 //N次乘法+N次加法搞定，伟大的改进！ function horner(A, x) { var n = A.length - 1 var p = A[n]; for (var j = 0; j 多数问题：
一个元素个数为n的数组，希望快速找出其中大于出现次数>n/2的元素（该元素也称为多数元素）。通常可用于选票系统，快速判定某个候选人的票数是否过半。最优算法如下：
//找出数组A中“可能存在”的多数元素 function candidate(A, m) { var count = 1, c = A[m], n = A.length - 1; while (m 0) { m++; if (A[m] == c) { count++; } else { count--; } } if (m == n) { return c; } else { return candidate(A, m + 1); } } //寻找多数元素 //时间复杂度O(n) function majority(A) { var c = candidate(A, 0); var count = 0; //找出的c，可能是多数元素，也可能不是， //必须再数一遍，以确保结果正确 for (var i = 0; i Math.floor(A.length / 2)) { return c; } return null; } var m = majority([3, 2, 3, 3, 4, 3]); alert(m); 以上算法基于这样一个结论：在原序列中去除两个不同的元素后，那么在原序列中的多数元素在新序列中还是多数元素
证明如下：
如果原序列的元素个数为n，多数元素出现的次数为x，则 x/n > 1/2
去掉二个不同的元素后，
a)如果去掉的元素中不包括多数元素，则新序列中 ，原先的多数元素个数/新序列元素总数 = x/(n-2) ，因为x/n > 1/2 ，所以 x/(n-2) 也必然>1/2
b)如果去掉的元素中包含多数元素，则新序列中 ，原先的多数元素个数/新序列元素总数 = (x-1)/(n-2) ，因为x/n > 1/2 =》 x>n/2 代入 (x-1)/(n-2) 中，
有 (x-1)/(n-2) > (n/2 -1)/(n-2) = 2(n-2)/(n-2) = 1/2
下一个问题：全排列
function swap(A, i, j) { var t = A[i]; A[i] = A[j]; A[j] = t; } function println(msg) { document.write(msg + "
"); } //全排列算法 function perm(P, m) { var n = P.length - 1; if (m == n) { //完成一个新排列时，输出 println(P); return; } for (var j = m; j <= n; j++) { //将起始元素与后面的每个元素交换 swap(P, j, m); //在前m个元素已经排好的基础上 //再加一个元素进行新排列 perm(P, m + 1); //把j与m换回来，恢复递归调用前的“现场"， //否则因为递归调用前，swap已经将原顺序破坏了， //导致后面生成排序时，可能生成重复 swap(P, j, m); } } perm([1, 2, 3], 0); //1,2,3 //1,3,2 //2,1,3 //2,3,1 //3,2,1 //3,1,2 分治法：
要点：将问题划分成二个子问题时，尽量让子问题的规模大致相等。这样才能最大程度的体现一分为二，将问题规模以对数折半缩小的优势。
//打印输出(调试用) function println(msg) { document.write(msg + "
"); } //数组中i,j位置的元素交换(辅助函数) function swap(A, i, j) { var t = A[i]; A[i] = A[j]; A[j] = t; } //寻找数组A中的最大、最小值(分治法实现) function findMinMaxDiv(A, low, high) { //最小规模子问题的解 if (high - low == 1) { if (A[low] r2[0] ? r2[0] : r1[0]; var y = r1[1] > r2[1] ? r1[1] : r2[1]; return [x, y]; } var r = findMinMaxDiv([1, 2, 3, 4, 5, 6, 7, 8], 0, 7); println(r); //1,8 //二分搜索(分治法实现) //输入：A为已按非降序排列的数组 //x 为要搜索的值 //low,high搜索的起、止索引范围 //返回：如果找到，返回下标，否则返回-1 function binarySearchDiv(A, x, low, high) { if (low > high) { return -1; } var mid = Math.floor((low + high) / 2); if (x == A[mid]) { return mid; } else if (x = A.length - 1) { n = A.length - 1; } var i = low; var x = A[low]; //二个指针一前一后“跟随”， //最前面的指针发现有元素比分界元素小时，换到前半部 //后面的指针再紧跟上，“夫唱妇随”一路到头 for (var j = low + 1; j <= n; j++) { if (A[j] <= x) { i++; if (i != j) { swap(A, i, j); } } } //经过上面的折腾后，除low元素外，其它的元素均以就位 //最后需要把low与最后一个比low位置小的元素交换， //以便把low放在分水岭位置上 swap(A, low, i); return [A, i]; } var A = [5, 1, 2, 6, 3]; var b = split(A, 0, A.length - 1); println(b[0]); //3,1,2,5,6 //快速排序 function quickSort(A, low, high) { var w = high; if (low split算法的思想应用：
设A[1..n]是一个整数集，给出一算法重排数组A中元素，使得所有的负整数放到所有非负整数的左边，你的算法的运行时间应当为Θ(n)
function sort1(A) { var i = 0, j = A.length - 1; while (i = 0 && A[j] >= 0) { j--; } else if (A[i] <0 && a[j] < 0) { i++; } else if (a[i]> 0 && A[j] <0) { swap(A, i, j); i++; j--; } else { i++; j--; } } } function sort2(A) { if (A.length <= 1) { return; } var i = 0; for (var j = i + 1; j = 0) { swap(A, i, j); i++; } } } var a = [1, -2, 3, -4, 5, -6, 0]; sort1(a); println(a);//-6,-2,-4,3,5,1,0 var b = [1, -2, 3, -4, 5, -6, 0]; sort2(b); println(b);//-2,-4,-6,1,5,3,0 希望本文所述对大家JavaScript程序设计有所帮助。
以上就是javascript常用经典算法实例详解的详细内容，更多请关注0133技术站其它相关文章！
