分治算法时间复杂度计算（主定理）

在计算机科学中，主定理（Master Theorem）用于解决递归关系的渐进界。特别是在分析分治算法的复杂度时，主定理提供了一种简便的方法来确定递归方程的时间复杂度。主定理主要适用于以下形式的递归关系：
$$T(n)=a\times T(\frac{n}{b})+f(n)$$
其中：

• $a\ge 1$，且是子问题的数量，
• $b>1$且是每个子问题的规模减小的因子，
• $f(n)$是在分解和合并子问题时花费的时间。

主定理分为三种情况：

1. 情况1：如果 $f(n)=O(n^c)$ 其中 $c<{\log }_{b}a$，那么：
   $T(n)=\Theta (n^{{\log }_{b}a})$

2. 情况2：如果 $f(n)=\Theta (n^c)$ 其中 $c={\log }_{b}a$，那么：
   $T(n)=\Theta (n^c\log n)=\Theta (n^{{\log }_{b}a}\log n)$

3. 情况3：如果 $f(n)=\Omega (n^c)$ 其中 $c>{\log }_{b}a$，并且对于某个常数 $ϵ>0$，有 $af\left(\frac{n}{b}\right)\le kf(n)$ 对于足够大的 $n$ 成立，其中 $k<1$，那么：
   $T(n)=\Theta (f(n))$

上面所说的情况其实很简单，计算出来分解子问题的时间复杂度后，将其与合并子问题的时间复杂度进行比较。

如果合并子问题的时间复杂度，即$f(n)$，更高，即为情况一，最终的时间复杂度直接取$$f(n)$$
等于，即为情况二，最终的时间复杂度为$$O(f(n)\ast \log n)$$
如果计算分解子问题的时间复杂度高，即为情况三。最终的时间复杂度为$$O(n^{{\log }_{b}a})$$

例子

假设我们有一个递归关系：
$T(n)=2T\left(\frac{n}{2}\right)+n$

我们来分析这个递归关系：

• $a=2$
• $b=2$
• $f(n)=n$

计算 ${\log }_{b}a$:
${\log }_{2}2=1$

现在比较 $f(n)$ 和 $n^{{\log }_{b}a}$:

• $f(n)=n$
• $n^{{\log }_{2}2}=n^1=n$

这属于主定理的情况2，因为 $f(n)$ 和 $n^{{\log }_{b}a}$ 是相等的。因此：
$T(n)=\Theta (n\log n)$

例子2

$T(n)=T(\frac{2n}{3})+1$
分析
a = 1, b = 3/2, f(n) = 1
$lo{g}_{\frac{3}{2}}1=0$ ,所以$O(n^0)=O(1)$,
也即二者相等，情况二，所以最终时间复杂度：
$T(n)=O(1\ast logn)=O(logn)$