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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00