算法设计和分析-分治算法基本思想.docVIP

算法基本思想 程序4-1-1折半搜索 templateclass T int BinarySearch(T a[], const T x, int n) {//在数组a[0:n-1]中搜索x，数组中的元素满足a[0]=a[1]= … =a[n-1]。 //如果找到x，则返回所在位置（数组元素的下标），否则返回 –1 int left=0; int right=n-1; while(left=right){ int middle=(left+right)/2; if(x==a[middle]) return middle; if(xa[middle]) left=middle+1; else right=middle – 1; } return –1; //未找到x } while 的每次循环（最后一次除外）都将以减半的比例缩小搜索范围，所以，该循环在最坏的情况下需要执行次。由于每次循环需耗时，因此在最坏情况下，总的时间复杂性为。 折半搜索算法贯彻一个思想，即分治法。当人们要解决一个输入规模，比如n，很大的问题时，往往会想到将该问题分解。比如将这n个输入分成k个不同的子集。如果能得到k个不同的可独立求解的子问题，而且在求出这些子问题的解之后，还可以找到适当的方法把它们的解合并成整个问题的解，那么复杂的难以解决的问题就可以得到解决。这种将整个问题分解成若干个小问题来处理的方法称为分治法。一般来说，被分解出来的子问题应与原问题具有相同的类型，这样便于采用递归算法。如果得到的子问题相对来说还较大，则再用分治法，直到产生出不用再分解就可求解的子问题为止。人们考虑和使用较多的是k=2的情形，即将整个问题二分。以下用A[1:n]来表示n个输入，用DanC(p,q)表示处理输入为A[p:q]情况的问题。 分治法控制流程 DanC(p,q) global n，A[1:n]; integer m,p,q; // 1(p(q(n if Small(p,q) then return G(p,q); else m=Divide(p,q); // p(mq return Combine(DanC(p,m),DanC(m+1,q)); endif end DanC 这里，Small(p,q)是一个布尔值函数，用以判断输入规模为q-p+1的问题是否小到无需进一步细分即可容易求解。若是，则调用能直接计算此规模下子问题解的函数G(p,q). 而Divide(p,q)是分割函数，决定分割点，Combine(x,y)是解的合成函数。如果假定所分成的两个问题的输入规模大致相等，则DanC总的计算时间可用下面的递归关系来估计： （4.1.1） 例4.1.1 求n元数组中的最大和最小元素 最容易想到的算法是直接比较算法：将数组的第1个元素分别赋给两个临时变量：fmax=A[1]; fmin=A[1]; 然后从数组的第2个元素A[2]开始直到第n个元素逐个与fmax和fmin比较，在每次比较中，如果A[i] fmax，则用A[i]的值替换fmax的值；如果A[i] fmin，则用A[i]的值替换fmin的值；否则保持fmax（fmin）的值不变。这样在程序结束时的fmax、fmin的值就分别是数组的最大值和最小值。这个算法在最好、最坏情况下，元素的比较次数是2(n-1)，而平均比较次数也为2(n-1)。 如果将上面的比较过程修改为：从数组的第2个元素A[2]开始直到第n个元素，每个A[i]都是首先与fmax比较，如果A[i]fmax,则用A[i]的值替换fmax的值；否则才将A[i]与fmin比较，如果A[i] fmin，则用A[i]的值替换fmin的值。这样的算法在最好、最坏情况下使用的比较次数分别是n-1和2(n-1),而平均比较次数是3(n-1)/2,因为数组平均有一半的元素满足A[i]fmax。 如果采用分治的思想，我们可以给出算法，其时间复杂性在最坏和平均用时均为3n/2-2: 递归求最大最小值算法伪代码 MaxMin（i,j,fmax,fmin）//A[1:n]是n个元素的数组，参数i，j //是整数，1≤i≤j≤n，使用该过程将数组A[i:j]中的最大最小元 //分别赋给fmax和fmin。 global n, A[1:n]; integer i, j; if i=j then fmax=fmin=A[i]; //子数组A[i:j]中只有一个元素 elseif i=j-1 then //子数组A[i:j]中只有两个元素 if A[i]A[j] then