算法设计与分析-分治法

，可以用递归的方法求解各个子问题，有时递归处理也可以用循 环来实现。 三、合并：把各个子问题的解合并起来，合并的代价因情况不同 有很大差异，分治算法的有效性很大程度上依赖于合并的实现。
DivideConquer(P) { if (P的规模足够小) 直接求解P; else 分解为k个子问题P1, P2, …, Pk； for (i=1; i<=k; i++) yi=DivideConquer(Pi); return Merge(y1, …, yk); }
A(n，m)的自变量m的每一个值都定义了一个单变量函数： m=0时，A(n,0)=n+2 m=1时，A(n,1)=A(A(n-1,1),0)=A(n-1,1)+2，和A(1,1)=2故 A(n,1)=2*n m=2时，A(n,2)=A(A(n-1,2),1)=2A(n-1,2)，和 A(1,2)=A(A(0,2),1)=A(1,1)=2，故A(n,2)= 2n 。
将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以 便各个击破，分而治之。
一、划分：既然是分治，当然需要把规模为n的原问题划分为k个
规模较小的子问题，并尽量使这k个子问题的规模大致相同，且 相互独立，即子问题之间不包含公共的子问题。
二、求解子问题：各子问题的解法与原问题的解法通常是相同的
//输入：非负整数n //输出：n!的值 public static int factorial(int n){ if(n==0) return 1; return n*factorial(n-1); 该算法的基本操作 是乘法！ }
我们把基本操作的执行次数记为M(n) 当 n=0 时，M(0)=0; 当 n>0 时，M(n)=M(n-1)+1;
基本思想：将待排序元素分成大小大致相同的2个子集合，分别 对2个子集合进行排序，最终将排好序的子集合合并成为所要求 的排好序的集合。
只含一个记录 的序列显然是 有序的，即为 已求解的子问 题。
//输入：可比较大小的待排序序列 //输出：原数据项构成的有序序列 public static void mergeSort(Comparable a[], int left, int right) { if (left<right) { //至少有2个元素 int i=(left+right)/2; //取中点 mergeSort(a, left, i); mergeSort(a, i+1, right); merge(a, b, left, i, right); //合并到数组b copy(a, b, left, right); //复制回数组a } 有很大差异，分治算法的有效性很大程度上依赖于合并的实现。 }
该算法的递推式为： 当n=1时，M(1)=1; 当n>1时，M(n)=M(n-1)+1+M(n-1) 渐近时间复杂度为Θ (2n)
问题描述：设计一个递归算法生成n个元素{r1,r2,…,rn}的全排列。
设R={r1,r2,…,rn}是要进行排列的n个元素，Ri=R-{ri}。
集合X中元素的全排列记为perm(X)。 (ri)perm(X)表示在全排列perm(X)的每一个排列前加上前缀得到的排 列。R的全排列可归纳定义如下：
• 反向替换法
M(n) = M(n-1)+1 //替换M(n-1)=M(n2)+1 = [M(n-2)+1]+1=M(n-2)+2 //替换M(n-2)=M(n3)+1 = [M(n-3)+1]+2=M(n-3)+2 = …… = [M(n-n)+1]+(n-1)=M(0)+n=n
无穷数列1，1，2，3，5，8，13，21，34，55，…，被称为 Fibonacci数列。它可以递归地定义为：
当一个函数及它的一个变量是由函数自身定义时，称这个函数是双递 归函数。 Ackerman函数A(n，m)定义如下：
A(1,0) 2 A(0, m) 1 m0 A(n,0) n 2 n2 A(n, m) A( A(n 1, m), m 1) n, m 1
• 递归树方法
该算法的基本操作是加法，可表示为S(n). 当n=0,1时，S(0)=0，S(1)=0; 当n≥2时，S(n)=S(n-1)+S(n-2)+1 对应递归树为：
渐近时间复杂度为Θ (2n)
设a,b,c是3个塔座。开始时，在塔座a上有一叠共n个圆盘，这
些圆盘自下而上，由大到小地叠在一起。各圆盘从小到大编号
当n=1时，perm(R)=(r)，其中r是集合R中唯一的元素； 当n>1时，perm(R)由(r1)perm(R1)，(r2)perm(R2)，…， （rn)perm(Rn)构成。 其递归函数为： (1) n 1 T (n) n T (n 1) n n 1 渐近时间复杂度为Θ(nn!)
T (n) 2T (n / 2) n
nlogb a n
f (n) (nlogb a lgk n)
符合case 2，所以 T (n) (n lg n)
Ex:
T (n) 2T (n / 2) n2
f (n) (nlogb a )
符合case 3,所以 T (n) (n2 )
1 n0 F ( n) 1 n 1 F (n 1) F (n 2) n 1
//输入：非负整数n //输出：第n个Fibonacci的值 public static int fibonacci(int n){ if (n <= 1) return 1; return fibonacci(n-1)+fibonacci(n-2); }
结束
将返回地址 和调用参数 入栈
top top
top
top top
top
(1 ) w=3 3 （1 ）
（(2) 2）w=2 2 （(1) 1）w=3 3
(3) 1 （ 3）w=1 (2) 2 （ 2）w=2 3 （(1) 1）w=3
（4 ）w=0 (4) 0 （3 ）w=1 (3) 1 （2 ）w=2 (2) 2 （1 ）w=3 (1) 3
当n=1时，无需排序操作，运行时间为常数可记为Θ(1)。 当n>1时，我们假设n是2的k次幂，将原问题分为规模为n/2的2个 子问题，消耗时间为2T(n/2)；分割问题和合并子问题所消耗的 时间是n的线性函数，可记为Θ(n)。 得如下运行时间的递归函数：
(1) n 1 T (n) 2T (n / 2) O(n) n 1
如何解这样的递归函数？
Master-method用于求解如下递归式：
T (n) aT (n / b) f (n)
其中
a 1 和b 1
是常数，f (n) 是一个渐近正的函数。
log a
我们将比较 f (n) 和 n b 的数量级，直观地，递归解是由两个函 数中数量级较大的一个决定。 case 1: case 2: case 3:
例如：n!的递归定义
1 n! n (n 1)! n0 n0
递归边界
递归函数
public void myPrint(int w) { int i; if ( w!=0) { myPrint(w-1); for(i=1;i<=w;++i) System.out.print(w+”,”); System.out.print(“\n”); } }
f (n) O(nlogb a ) f (n) (nlogb a lgk n) f (n) (nlogb a )
ε>0,则
T (n) (nlogb a ) T (n) (nlogb a lgk 1 n)
T (n) ( f (n))
k≥0，则 ε>0,则
Ex:
相邻有序表 C[l] ~ C[m]、C[m+1]~C[r] 结果得到有序表 C[l] ~ C[r] 算法： 1. 从数组C[l]~C[m]和C[m+1]~C[r]中各取一最小数； 2. 比较取出的两个数，将较小数按顺序放入数组D； 3. 从较小数对应的数组中取出下一个最小数； 4. 重复步骤2、3直到两个序列中的数据全部取走； 5. 如果C[l]~C[m]或C[m+1]~C[r]有未取走的数据，则将剩下的 数全部按顺序拷贝到D中已有数据之后； 6. 将D中数据逐一拷贝回C中；
为1,2,…,n,现要求将塔座a上的这一叠圆盘移到塔座b上，并仍 按同样顺序叠置。在移动圆盘时应遵守以下移动规则：
规则1：每次只能移动1个圆盘；
规则2：任何时刻都不允
许将较大的圆盘压在较 小的圆盘之上；
规则3：在满足移动规则
1和2的前提下，可将圆盘 移至a,b,c中任一塔座上。
}
//输入：非负整数n //输出：移动圆盘的步骤 public static void hanoi(int n, int a, int b, int c) { if (n > 0){ hanoi(n-1, a, c, b); move(a,b); hanoi(n-1, c, b, a); }
第二章 递归与分治策略
课时：6学时
本章主要知识点
• 递归的概念 • 递归算法的数学分析 • 分治法 • 分治法的应用
• 递归定义
用自身的更简单情况（所涉及的问题规模更小），来定义自身， 称为递归定义。 最简单的情况称为递归出口，或递归边界，本身不再使用递归定 义。 算法中，直接或间接地调用自身的算法称为递归算法。
运行结果： 1， 2，2， 3，3，3，
w 2 主程序 w 3 print(2); print(1) ; （ (3)3输出： ） 2, 2