UTF-8的一个优点是，如果你逐个字节地比较两个字符串（＆lt;），你会得到相同的答案，就好像你已经比较了它们的代码点一样。我想知道是否有类似的编码是最佳的（例如UTF-8“浪费”空间，如果它们不是表示代码点的第一个字节，则用10xxxxxx标记字节）。
这里的最优性假设是，如果 n ＆lt; n ，那么非负数 n 比数字 m 更频繁。 米
我最感兴趣的是知道是否存在适用于整数的（字节可比较）编码，如果| n， n 比 m 更频繁 | ＆LT; | 米 |
答案 0 :(得分：2)
您是否考虑过霍夫曼编码的变体？传统上，一个递归地合并两个最不频繁的符号，但为了保留顺序，可以改为合并具有最小和的两个相邻符号。
看起来这个问题已得到充分研究（并且贪婪算法不是最优的）。最佳算法由Hu和Tucker给出，在here中有thesis和更详细的描述。
这个paper讨论保持字典的基于字典的压缩看起来也很有趣。
答案 1 :(得分：0)
要完全回答该问题，您需要知道材料中代码点的频率。 UTF-8是英文文本的最佳选择，因为多字节字符在典型的英文文本中非常罕见。
要使用UTF-8作为基本算法对整数进行编码，需要将前n个整数映射为1字节编码，下一个m映射为2字节编码，依此类推。 这是否是最佳编码取决于分布。如果前n个数字与较高数字相比非常频繁，则UTF-8将（接近）最佳。
答案 2 :(得分：0)
标准编码很少，答案是否定的。除了UTF-8之外的任何进一步优化不应该被称为“编码”，而应该被称为“压缩” - 并且按字典相似的压缩是不同的部门。
如果您正在解决现实世界（非纯学术）问题，我会坚持使用最标准的UTF8。与utf8everywhere.org上的其他标准编码相比，您可以了解其效率。