2018-Java-Interview项目中的约瑟夫环问题解析
约瑟夫环问题是一个经典的算法问题,在计算机科学和数学领域有着广泛的应用。本文将通过分析2018-Java-Interview项目中的两种Java实现方案,深入探讨约瑟夫环问题的解决思路和算法实现。
约瑟夫环问题描述
约瑟夫环问题的经典描述是:有n个人围成一圈,从某个指定的人开始报数,数到k的那个人就被淘汰出局,然后从下一个人重新开始报数,直到所有人都被淘汰。求最后剩下的人的原始编号。
在2018-Java-Interview项目中,这个问题被具体化为:n个人围成一圈,从第一个人开始报数(从1到3报数),凡报到3的人退出圈子,问最后留下的是原来第几号的人。
数组实现方案解析
第一种实现方案使用了数组来模拟整个过程:
- 
初始化阶段:创建一个长度为n的数组 people,数组索引代表人的编号(0到n-1),数组值用于标记当前人的状态。
- 
核心算法: - 使用notThreeCount变量记录未被淘汰的人数
- 使用num变量记录当前的报数值(1、2、3循环)
- 遍历数组,为未被淘汰的人分配报数值
- 当某人的报数值为3时,将其标记为淘汰(实际实现中是将数组值设为3)
- 当只剩一人时终止循环
 
- 使用
- 
结果输出:遍历数组找出唯一未被标记为3的元素,其索引+1即为最后剩下的人的原始编号。 
这种实现方案的优点是直观易懂,但存在一些可以优化的地方:
- 数组遍历是线性的,效率不高
- 需要额外的空间存储每个人的状态
- 当n很大时,性能会受到影响
链表实现方案解析
第二种实现方案使用了ArrayList来模拟循环链表的行为:
- 
初始化阶段:创建一个包含1到n的ArrayList。 
- 
核心算法: - 使用循环不断移除报数为m的人
- 通过将前m-1个元素移动到列表末尾来实现"循环报数"的效果
- 每次移除第0个元素(即报数到m的人)
- 当列表只剩一个元素时终止循环
 
- 
结果输出:直接返回列表中剩下的唯一元素。 
这种实现方案更符合约瑟夫环问题的本质,利用了数据结构的特性:
- 使用动态数组模拟循环链表
- 通过元素移动实现"循环"效果
- 代码更简洁,逻辑更清晰
算法复杂度分析
两种实现方案的时间复杂度都是O(n×m),其中n是人数,m是报数上限。但在实际应用中:
- 数组方案需要多次完整遍历数组
- 链表方案虽然每次操作的时间复杂度相同,但常数因子更小
- 链表方案的空间复杂度略高,因为需要维护动态数组的结构
实际应用中的优化
对于大规模数据的约瑟夫环问题,可以使用数学公式直接计算结果,时间复杂度为O(n):
public static int josephus(int n, int k) {
    if (n == 1) {
        return 1;
    } else {
        return (josephus(n - 1, k) + k - 1) % n + 1;
    }
}
这个递归公式基于约瑟夫环问题的数学性质,可以极大地提高计算效率。
总结
通过分析2018-Java-Interview项目中的两种实现方案,我们可以得出以下结论:
- 数组方案适合教学和理解问题本质,但在实际应用中效率不高
- 链表方案更接近问题的数学模型,代码更简洁
- 对于生产环境中的大规模问题,应考虑使用数学公式优化
约瑟夫环问题不仅是一个有趣的数学谜题,也是考察编程能力和算法思维的好题目。理解不同实现方案的优缺点,有助于我们在实际开发中选择最合适的解决方案。
 PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00 PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
 openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00 openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
 HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00 HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
 AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03 AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
 Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00 Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
 GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00 GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
 Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00 Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
 docs
docs kernel
kernel flutter_flutter
flutter_flutter ops-math
ops-math pytorch
pytorch cangjie_tools
cangjie_tools ohos_react_native
ohos_react_native RuoYi-Vue3
RuoYi-Vue3 cangjie_compiler
cangjie_compiler Cangjie-Examples
Cangjie-Examples