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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00