解递归式的方法总结

算法设计中经常会用到递归,利用递归式的方法可以清晰地显示算法的整个过程,而对于分析算法的复杂度,解递归式就有了用处,这里的方法来自于《算法导论》。

(一)代换法:

实质上就是数学归纳法,先对一个小的值做假设,然后推测更大的值得正确性。由于是数学归纳法,那么我们就需要对值进行猜测。现在,我们看下面这个例子:


我们先假设一个结论T(n) = O(lg(n - b)),并且假设对T(n / 2上取整)成立(这就是数学归纳法了),那么把T(n / 2上取整)用假设的结论进行代换,我们有T(n) <= lg((n - b)) / 2上取整)

<= lg((n - b) / 2 + 1) + 1 = lg(n - b + 2),对于任意的b >= 2,即满足要求T(n) <= lg(n) = O(lgn)。证毕。

这是一个很简单的例子,但是其中有些事情还是要交代的。

一个是结论的猜测不是一个容易的事情。另一个是在上面的例子中我没有直接下结论说T(n) = O(lg(n)),而是减去了一个常数b,这是为什么呢?答案是:we can prove something stronger for a given value by assuming something stronger for smaller values.还有一点值得说明,请看下面这个例子:


这里出现了sqrt(n),我们采用变量代换的方法:令n = 2 ^ m,则上式变为T(2 ^ m) = 2T(2 ^ (m / 2) ),再设S(m) = T(2 ^ m),则得到S(m) = 2S(m / 2) + 1。我们先假设S(m) = m - b <= O(m),且对S(m / 2)成立,那么S(m) = 2 * (m - b) / 2 + 1 = m - b + 1,对于任意的b >= 1都有S(m) = O(m),然后回代有T(n) = T( 2 ^ m) = S(m) = O(m) = O(lgn)。

这里我们采用了变量代换的方法。如果假设时,感觉变量不明朗,那么这是一种很有效的方法。

(二)递归树方法:

利用递归树方法求算法复杂度我想最好的例子就是归并排序了,这里我不想拿归并排序做例子,而只是用书中一些更简单形象的例子来说明:

根据上式我们建立递归式T(n) = 3T(n / 4) + cn^2,这里我们抛去上下界函数的影响(sloppiness that we can tolerate),并且把Theta(n ^ 2)用cn^2代替。下面建立递归树模型:






在递归树中,每一个结点都代表一个子代价,每层的代价是该层所有子代价的总和,总问题的代价就是所有层的代价总和。

所以,我们利用递归树求解代价,需要知道什么呢,一个是每一层的代价,一个是层数,就是这两个。

这些,都需要我们用觉察的态度来发现,而事实证明,这不是一件难事,很多情况下是有规律可循的。

我们且看上面这个例子,递归树的构造很简单,当递归调用到边界是,就达到了常量T(1),达到常量T(1)所用到的递归次数就是整个递归树的深度,我们从图中可以得到第i层的结点的代价为n / ( 4 ^ i ),当n / (4 ^ i) = 1即i = log4(n)时,递归到达了边界,所以,整个递归树的深度就是i = log4(n)。我们要求的总的代价是所有的总和,结果为O(n ^ 2)。计算过程我就不再累述了。但是,递归树并不是都是这样的满的树,也就是不是每一层的结点都是相同的结构,所以我们在构造递归树的时候要仔细看好这一点,才能保证在计算时不会出错。

(三)主方法:

其实应该叫做主定理方法,利用这个方法,我们只需要记住主定理的三种情况,并且在满足一定的条件下,就可以速度解出递归式。主定理的三种情况不在这里给出,一定条件我只说一下我对于多项式大于(或小于)的理解,比如x和1.1x,那么x就是多项式小于1.1x,二者差了一个多项式(0.1x),而至于x与xlgx就不存在多项式大于(或小于)的关系。

这个方法很直截了当,我在学习这个方法的时候其实就是从课后练习入主。但是三种情况,我却无法牢记。

没有更多推荐了,返回首页