对分治算法的几点思考

分治法是算法学习中很基础的一部分。

其基本思想是：对一个原规模为n的问题，将其分解为多个规模较小的子问题，再将这些子问题的解合并求得原问题的解。

分治法不仅仅是分(Divide)和治(Conquer)，其中还有个“合(Combine)”的步骤经常会被人忽略。这也是分治法的三个基本步骤：Divide-Conquer-Combine。

让我们先看一个分治法运用的经典案例：归并排序。

Problem: 对一个无序序列{x1...xn}按从从小到大排序；

Solution: 

Divide: 原问题问n规模，将该问题逐次二分，直至递减为常数规模为止。

Conquer: 将这些小规模的排序解决。

Combine: 一一合并已排序好的小规模序列。

Analysis: 

Divide: 对k规模问题二分显然只需求一次中点即可，耗时固定。

Conquer: 假如原问题运算时间是T(n)，则对二分后的两个子问题，解决时间为2T(n/2)。

Combine: 对两个已排序好的子序列，Combine的基本步骤如下：

构造一个足够大的数组，从两个子序列的首位开始，依次比较，每次将两个数中较小的数放入构造的数组中。

显然，一共会进行k次比较，k值与两个子序列大小的和有关。也就是。

根据以上的分析，我们可以写出归并算法的递归式(忽略基本情况)：

其复杂度是：

接下来，第一个问题：分治的关键在哪里？所有的问题都可以用分治吗？

显然不是这样，仔细观察我们会发现，Divide后产生的所有子问题，它们都具有一种相同的解决模式！这是分治算法生效的关键。

第二个问题：分治似乎总是很好，是不是满足了上述条件后，分治就一定有效呢？

这个问题似乎稍显复杂了一些，让我们举一个很典型的例子来看看：

Problem: 

Solution: 这是很常见的求矩阵乘法的问题。

首先介绍一下朴素算法，即利用公式进行计算。显然会有三重循环，也就是复杂度为。

很快就有人根据分治法的思想对此作出了“改进”：

学过线性代数的人应该很清楚矩阵的分块运算，如果将矩阵分块的话，对每一小块矩阵（子问题），其运算方法是相同的（解决模式），这似乎已经满足了使用分治法的条件，但是否分治之后会更加优越呢？让我们来分析一下算法：

，这是基本的分块策略：C、A、B均被分为了4个n/2×n/2的矩阵块。求解结果为：

可以看出，我们要做8次规模为n/2的矩阵乘法，4次加法。现在可以很容易的写出递归式：

糟糕的事情发生了：我们并未使得问题简化！分析递归式会发现，问题出在系数8上，很明显，我们做了过多次的子问题，子问题的数量是影响分治复杂度的一个重要指标！

你会问：有没有办法改善这个算法呢？当然有，在此不作具体讨论，提示：改善的方法就是降低系数。

第三个问题：分治未必是最佳选择？

我想说的是，对一个有效的分治算法，它未必是最好的选择。我们知道，在问题规模比较大时，分治往往能取得很好的效果，但如果问题规模小到一定程度后，分治将不再是最佳选择，事实上，对大部分问题，当规模较小的时候，分治都是较低效的做法。例如：对归并排序，我们可以选择在规模小时采取插入排序解决子问题，而不再递归的进行划分。

四、分治的实现。

分治是基于递归的一种算法，但是分治的实现就一定要用递归吗？在多数情况下，我们更愿意用循环替代递归，递归占用了过多的内存空间，使得算法不够高效。

下面两段代码均是求x^n，函数f使用递归实现，函数g使用循环实现：

public static double f(double x, int n){
		if(n>1){
			if(n%2==0){
				double d = f(x, n/2);
				return d*d;
			}	
			else if(n%2!=0){
				double d = f(x, (n-1)/2);
				return d*d*x;
			}
			else{
				return 99999;
			}
		}
		else{
			return x;
		}
	}

	public static double g(double x, int n){
		double res=x, p=0;
		if(n%2!=0){
			n--;
			p=1;
		}
		while(n!=1){
			res*=res;
			n/=2;
		}
		if(p==1){
			res*=x;
		}
		return res;
	}

明显，非递归方法更加高效且编码更加简洁。