标签：bd 递归 推导 复杂度 问题 算法 工作量 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

分支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

标签：bd,递归,推导,复杂度,问题,算法,工作量,定理
来源： https://blog.csdn.net/weixin_46178937/article/details/122618183

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。