递归算法复杂度与主定理的推导_递归主定理

一、基本概念

分治法的基本思想

分治法就是把一个大的问题分解成为若干个小的问题，求出小问题的解后合并即为大问题的解

分治法能够解决的问题的一般特征

1. 该问题可以分解为若干规模规模较小的相同问题；
2. 该问题的规模缩小到一定的程度就可以很容易的解决；
   1. 如果不满足的话就不必进行使用分治法进行分解了；
3. 分解之后的子问题的解可以合并成为该问题的解；
4. 该问题所分解出的各个子问题是相互独立的，即子问题之间不包含公共的子问题

二、分治法的时间复杂度的分析（主定理）

主定理是我们分析递归算法所需要的工具。 主定理将算法的递归过程作为输入，而其输出就是该算法的运行时间上界。

主定理的另一个版本—标准递归过程

如果T(n)被定义为一个标准地推过程，满足参数 a>=1,b>=1,d>=1,则

例如：在一个归并排序的递归过程中，一次二分需要调用两个递归过程，而这两次递归过程就是代表着a ，而每一次的递归都是将之前的数组一分为二，即长度便为原来的二分之一，则输入长度的收缩因子就是2，（b=2），在递归调用完成之后需要将完成之后合成一个整体返回，之后就是递归调用之外所需要的完成的工作，就归并排序为例他是线性的，所以d=1.因此：

​ a= 2=2¹=b^d

​ 满足上图Tn中的条件一，所以 T(n)=O(dⁿlog n) = O(n log n)

他的递归时间复杂度就是 O(n log n）

例如：二分搜索要么对输入数组的左半部分继续搜索，要么对右半部分继续搜索(不会同时对两者进行搜索)，因此只有 1 个递归调用(a = 1)。 这个递归调用对输入数组的一半进行操作，因此 b 仍然等于 2。在递归调用之外， 二分搜索所执行的操作只是一个比较(数组中间元素的值与被搜索元素的值)， 以决定下一步是在数组的左半部分还是右半部分进行搜索。因此递归调用之外的工作量是 O(1)，所以 d = 1。由于 a = 1 = 2⁰ = b^d，所以还是满足主定理的第一种情况，所以运行时间上界是 O(n^d log n) = O(log n)。

关于n^d的解法分析

n的d次方是指把子问题的解合并的时间开销，你是可以确定的。它是根据你的实际问题来确定的。
例如：在归并排序中，你可以先假设你已经把左右两半都排好序了，于是在合并阶段你要做的事情是就是把左边的n/2个有序的数和右边n/2个有序的数 合并在一起使得n个数有序，这个合并两个有序表过程需要O(n)，于是d=1.

三、主定理的推导

问题分解

​ 在我们对 归并排序所进行的分析中，我们想要逐层计算递归算法所完成的工作。这个计划需要理解两个概念:某个特定的递归层 j 的不同子问题的数量以及每个子问题的输入长度。

​ 受归并排序分析的启发，我们的计划是用一种分治算法对第 j 层子问题所执行的操作数量进行统计，然后把它累加上所有层次的工作上。现在，我们重点是观察归树的第 j 层。根据上图分析得到，第 j 层一共有 a^j个不同的子问题， 每个子问题的输入长度为 n / b^j。

​ 把第 j 层所有 aj 个子问题累加起来就得到递归树的第 j 层所完成的工作量的上界:

我们把依赖于第 j 层的内容与不依赖第 j 层的内容分离开来，对这个表达式 进行简化:

不等式的右端最引人注目的是 a/b^d 这个关键比率。a 与 b^d的比值正好决定了其结果符合主定理的三种情况，所以不需要对分析过程中明确出现这个比率而感到惊讶，这正是我们想要的结果。

合并各层结果

一共有多少层呢?输入长度最初是 n，它在每一层的收缩因子是 b。由于我 们假定 n 是 b 的整数次方，当长度为 1 时就满足基本条件，因此递归树的层次正 好就是 n 不断除以 b 结果为 1 时的次数，也就是 log_bn。把 j = 0, 1, 2, …, log_bn 的所有层的工作相加就可以推导出下面这个神秘的运行时间上界(n_d与j无关):

不管你是否相信，我们已经达成了证明主定理的一个重要里程碑。不等式 (4.4)的右端看上去有点像神秘的字母“大杂烩”，但是通过适当的解释，它正
是我们深入理解主定理的关键。

三种情况分析

正如上边推导出来的公式可以知道 其关键因素的是a/b^d 这个关键比率。

• a：也就是每个 递归层的子问题增殖率(RSP)，它是子问题数量爆炸性增长的扩张因子。
• b^d：也就是工作量的收缩率(RWS)，在递归的每一层，每个子问题的工作量都会根据收缩因子 b^d 进行缩减。

那么工作量是会随着递归的层数增加而增加，还是随着递归的层数的增加而减少，又或者是每一层完成的工作量是相同的。

结论如下

• 如果 RSP < RWS，则递归层次 j 越深，它所完成的工作量就越少。
• 如果 RSP > RWS，则递归层次 j 越深，它所完成的工作量就越多。
• 如果 RSP = RWS，则每个递归层所完成的工作量都是相同的。

四、结语

收获

​ 再次把结论放这里。在弄明白主定理是怎么回事之后，我想着大家只要记住公式的大致用法，以后再加以练习，在运用递归方法时候会更加的熟练，用的更加习惯。

​

学习过程

我在学习主定理的时候是先看了《算法详解》卷一–算法基础 前四章。

当时看完书不是特别明白，又去B站找了一个视频看了一下结合书本加以理解【学习记录】分治和主定理的推导-计算机算法_哔哩哔哩_bilibili

在看书和看视频之后，我对主定理的前两个参数（a,b） 有了会很好额理解，但是在面对第三个参数n^d的时候还是不太清楚怎么算，什么是递归调用之外的工作量？我紧接着又去查了一下博客，在看博客的时候我复习了一下之前在书和视频中的内容，对书中遗漏的知识点，在这篇博客中算是的到了一个很好的补充。

那关于n^d 我是在这篇博客中的评论里学到的，所以把那段评论也放在了我的文章里面。

博客如下：Master—Theorem 主定理的证明和使用_jmhIcoding-CSDN博客_master定理

引用

1. 《算法详解》卷一 —算法基础 作者：Tim Roughgarden
2. 【学习记录】分治和主定理的推导-计算机算法_哔哩哔哩_bilibili
3. Master—Theorem 主定理的证明和使用_jmhIcoding-CSDN博客_master定理