笔记
-
分治算法的主要思想是将原问题递归地分成若干个子问题,直到子问题满足边界条件,停止递归。将子问题逐个击破,将已经解决的子问题合并,最后,算法会层层合并得到原问题的答案。
-
分治法适用的情况
(1)原问题的计算复杂度随着问题的规模的增加而增加。
(2)原问题能够被分解成更小的子问题。
(3)子问题的结构和性质与原问题一样,并且相互独立,子问题之间不包含公共的子子问题。
(4) 原问题分解出的子问题的解可以合并为该问题的解。
- 归并排序算法: 就是将两个有序的小数组,合并成一个有序的数组。实际上,在这个合并的过程中,可以计算这两个小数组的逆序对个数了。每次合并操作,我们都计算逆序对个数,把这些计算出来的逆序对个数求和,就是这个数组的逆序对个数了。
练习
class Solution(object):
def majorityElement2(self, nums):
# 不断切分的终止条件
if not nums:
return None
if len(nums) == 1:
return nums[0]
#准备数据,并将大问题拆分为小问题
left = self.majorityElement(nums[:len(nums)//2])
right = self.majorityElement(nums[len(nums)//2:])
# 处理子问题,得到子结果
# 对子结果进行合并 得到最终结果
if left == right:
return left
if nums.count(left) > nums.count(right):
return left
else:
return right
class Solution(object):
def maxSubArray(self, nums):
# 确定不断切分的终止条件
n = len(nums)
if n == 1:
return nums[0]
# 准备数据,并将大问题拆分为小的问题
left = self.maxSubArray(nums[:len(nums)//2])
right = self.maxSubArray(nums[len(nums)//2:])
# 处理小问题,得到子结果
# 从右到左计算左边的最大子序和
max_l = nums[len(nums)//2 -1] # max_l为该数组的最右边的元素
tmp = 0 # tmp用来记录连续子数组的和
for i in range( len(nums)//2-1 , -1 , -1 ):# 从右到左遍历数组的元素
tmp += nums[i]
max_l = max(tmp ,max_l)
# 从左到右计算右边的最大子序和
max_r = nums[len(nums)//2]
tmp = 0
for i in range(len(nums)//2,len(nums)):
tmp += nums[i]
max_r = max(tmp,max_r)
# 对子结果进行合并 得到最终结果
# 返回三个中的最大值
return max(left,right,max_l+ max_r)
class Solution(object):
def myPow(self, x, n):
# 处理n为负的情况
if n < 0 :
x = 1/x
n = -n
# 确定不断切分的终止条件
if n == 0 :
return 1
# 准备数据,并将大问题拆分为小的问题
if n%2 ==1:
# 处理小问题,得到子结果
p = x * self.myPow(x,n-1)# 对子结果进行合并 得到最终结果
return p
return self.myPow(x*x,n/2)