复习链接
计算机算法设计与分析第一章思维导图
计算机算法设计与分析第二章思维导图&&知识点总结
计算机算法设计与分析第三章思维导图&&知识点总结
计算机算法设计与分析第四章思维导图&&知识点总结
计算机算法设计与分析第五章思维导图&&知识点总结 ( 初稿 )
计算机算法设计与分析第六章思维导图&&知识点总结 ( 初稿 )
计算机算法设计与分析第七章思维导图&&知识点总结 ( 初稿 )
思维导图
注：导图中的主定理模糊不清，可移步本文最下方观看清楚版。
递归的概念
直接或间接地调用自身的算法成为递归算法。
用函数自身给出定义的函数成为递归函数
递归实例
阶乘函数
Fibonacci数列
Ackerman函数
排列问题
整数划分问题
汉诺塔问题
分治法的基本思想
将一个规模为n的问题分解为k个规模较小的子问题，这些子问题互相独立且与原问题相同。递归地解决这些子问题，然后将各子问题合并得到原问题的解。
分治法特征：
- 该问题的规模缩小到一定的程度就可以容易地解决
- 该问题可以分解为若干个规模较小的相同问题，即该问题具有最优子结构性质。
- 利用该问题分解出的子问题的解可以合并为该问题的解；
- 该问题所分解出的各个子问题是相互独立的，即子问题之间不包含公共的子问题。
分治范例
二分搜索技术
基本思想：
将n个元素分成个数大致相同的两半，取a[n/2]与x作比较。如果x=a[n/2]，则找到x，算法终止；如果x<a[n/2]，则只在数组a的左半部继续搜索x；如果x>a[n/2]，则只在数组a的右半部继续搜索x。
二分搜索技术充分利用了元素间的次序关系，采用分治策略，可最坏用
O
(
l
o
g
n
)
O(logn)
O(logn)时间完成搜索任务。
大整数的乘法
基本思想：
将n位的X,Y各自都分成2段，每段长n/2位(假设n为2的幂次)，即 X = A ∗ 1 0 n / 2 + B X=A*10^{n/2}+B X=A∗10n/2+B， Y = C ∗ 1 0 n / 2 + D Y=C*10^{n/2}+D Y=C∗10n/2+D，则 X Y = A C ∗ 1 0 n + 1 0 n / 2 ∗ ( ( A − B ) ∗ ( D − C ) + A C + B D ) + B D XY=AC*10^n+10^{n/2}*((A-B)*(D-C)+AC+BD)+BD XY=AC∗10n+10n/2∗((A−B)∗(D−C)+AC+BD)+BD。即一次n位的整数乘法可以化简为三次n/2位的整数乘法与6次减法。通过减少乘法次数，提高算法效率。
Strassen矩阵乘法
基本思想：
使用分治法，将一个矩阵转换为子矩阵相乘的方式。矩阵乘法耗费时间要比矩阵加法耗费的时间多，想要改进矩阵乘法的计算时间复杂性，必须减少乘法运算。Strassen矩阵乘法用了7次对于n/2阶矩阵乘积的递归调用和18次n/2阶矩阵的加减运算。
棋盘覆盖
基本思想：
用分治策略，可以设计解棋盘覆盖问题的一个简捷的算法。当k>0时，将 2 k ∗ 2 k 2^k*2^k 2k∗2k棋盘分割为4个 2 k − 1 ∗ 2 k − 1 2^{k-1}*2^{k-1} 2k−1∗2k−1子棋盘。特殊方格必位于4个较小子棋盘之一中，其余3个子棋盘无特殊方格。为了将这3个无特殊方格的子棋盘转化为特殊棋盘，可以用一个L型骨牌覆盖这3个较小棋盘的会合处，这3个子棋盘上被L型骨牌覆盖的方格就成为该棋盘上的特殊方格，从而将原问题转化为4个较小规模的棋盘覆盖问题。递归地使用这种分割，直至棋盘简化为 1 ∗ 1 1*1 1∗1棋盘。
合并排序
基本思想：
合并排序是用分治思想，首先将序列分为两部分，然后对每一部分进行递归的排序，最后将结果进行合并。
具体步骤：
（1）分解：将n个元素分成个含n/2个元素的子序列。
（2）解决：用合并排序法对两个子序列递归排序。
（3）合并：合并两个已排序的子序列已得到排序结果。
实现方式：
递归版本：
将待排序元素分成大小大致相同的两个子集合，分别对两个子集合进行排序，最终将排好序的子集合合并成要求的排好序的集合。
非递归版本：
递归版本的合并算法的递归过程只是将待排序集合一分为二，直至待排序集合只剩下一个元素为止，然后不断合并两个排好序的数组段。按此机制，可以先将数组中的相邻两元素两两配对，再用合并算法将它们排序，构成n/2组长度为2的排好序的子数组段，再将它们排序成长度为4的排好序的字数组段。如此下去，直至整个数组排好序。
复杂度分析：
最坏时间复杂度：
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
最好时间复杂度：
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
平均时间复杂度：
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
空间复杂度：
O
(
n
)
O(n)
O(n)
稳定性：稳定
快速排序
基本思想：
快速排序使用分治的思想，通过一趟排序将待排序列分割成两部分，其中一部分记录的关键字均比另一部分记录的关键字小。之后分别对这两部分记录继续进行排序，以达到整个序列有序的目的。
具体步骤：
(1)选择基准：在待排序列中，按照某种方式挑出一个元素，作为 “基准”（pivot）
(2)分割操作：以该基准在序列中的实际位置，把序列分成两个子序列。此时，在基准左边的元素都比该基准小，在基准右边的元素都比基准大
(3)递归处理：递归地对两个序列进行快速排序，直到序列为空或者只有一个元素。
选择基准的方式：
（1）固定位置
取序列的第一个或最后一个元素作为基准
（2）随机化选择
随机取待排序列中任意一个元素作为基准
快速排序算法的性能取决于划分的对称性。而划分基准的随机选择，可以使期望划分变得较为对称。
复杂度分析：
最坏时间复杂度：
O
(
n
2
)
O(n^2)
O(n2)
最好时间复杂度：
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
平均时间复杂度：
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
空间复杂度：根据实现方式的不同而不同
稳定性：不稳定
选择问题求第k小
（1）先排序(非降序)，再取第k个元素。
时间复杂度等于所选的排序算法的时间复杂度
（2）随机选择算法
利用随机划分算法思想将原问题划分为2个子问题，根据子问题所包含元素的位置来决定选择哪个子问题继续递归求解。最坏情况下需要O(n^2)得到答案，平均情况下，O(n)可得问题的解。
（3）线性时间选择算法(又称顺序统计算法)
算法思想：
如果能够找到一个划分基准，使得这个基准的划分的两个子数组的长度都至少是原来的 ε \varepsilon ε倍（0 < ε \varepsilon ε < 1），则子问题的规模为 ε n \varepsilon n εn，那么最坏情况也能O（ n )解决问题。
算法步骤：
将n个元素划分成
⌈
n
/
5
⌉
\lceil n/5 \rceil
⌈n/5⌉组，每组5个元素，至多只有一组包含n mod 5个元素
通过每组排序，找出每组的中位数构成序列M
取序列M的中位数x(若序列有偶数，取两个中位数中较大者)
用x作为基准元素，对原n个元素进行划分，i为分裂点
若k<=j，则用前部分子问题递归求第k小元素；
若k>j，则用后部分子问题求第k-i小元素
j为前部分子问题元素的个数。
最接近点对问题
基本思想：
将所给的平面上n个点的集合S分为两个子集S1和S2(可以按照x坐标排序中分)，每个子集中约有n/2个点，然后在每个子集中递归地求其最接近的点对。最近点对可能单纯在S1或S2中，也可能分别在S1和S2中。对于这个问题，
一维：第三种情况只可能是最靠近中线的那两个点。
二维：取两个子集递归求解最小值为d，第三种情况只会发生在 ( mid - d , mid + d ) 内，这个范围，mid左边p1，mid右边p2，p1中每个点最多在p2中存在6个点会更新答案，即按照y坐标排序后，p1每点最多只要检查p2中排好序的相继6个点。
循环赛日程表
基本思想：
采用分治策略，将所有的选手分成两半，n个选手的比赛日程表就可以通过为n/2个选手设计的比赛日程表来决定。递归地用对选手进行分割，直到只剩下两个选手时，比赛日程表的制定就变得很简单了。这时只需要让这两个选手进行比赛即可。
主定理-基于分治的算法分析
简化版：
对于递推式 T ( n ) = a T ( n b ) + Θ ( n d ) T(n)=aT(\frac{n}{b})+\Theta(n^d) T(n)=aT(bn)+Θ(nd)，其中 d >= 0 ，那么：
T ( n ) = { Θ ( n d ) ， 当 a < b d Θ ( n d l o g n ) ， 当 a = b d Θ ( n l o g b a ) ， 当 a > b d T(n)=\begin{cases} \Theta(n^d)， & 当a<b^d \\ \Theta(n^dlogn)， & 当a=b^d \\ \Theta(n^{log_{b}a})，&当a>b^d \end{cases} T(n)=⎩⎪⎨⎪⎧Θ(nd)，Θ(ndlogn)，Θ(nlogba)，当a<bd当a=bd当a>bd
330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
