递归算法的时间复杂性分析（递推方法、Master定理方法、递归树方法）

kaizitian

已于 2024-02-05 20:25:24 修改

阅读量753

点赞数 10

文章标签：排序算法算法回归回归算法数据结构 java 启发式算法

于 2024-02-05 20:21:22 首次发布

本文链接：https://blog.csdn.net/kaizitian/article/details/136044173

版权

本文详细介绍了递归算法的概念，包括递归函数的定义和递归过程中的分治策略。探讨了递归算法的时间复杂性分析方法，如递推、Master定理和递归树，以实例演示了如何运用这些方法求解问题，如阶乘、棋盘覆盖和归并排序。

摘要由CSDN通过智能技术生成

一、递归概念

直接或间接地调用自身的算法称为递归算法；用函数自身给出定义的函数称为递归函数。

二、递归过程

1.分治法产生的子问题是原问题的较小模式；

2.反复应用分治手段，可以使子问题规模不断缩小；

3.最终使子问题缩小到很容易被直接求出其解；

4.将规模较小问题的答案逐级向上合并，可得大问题答案；

三、递归算法模板

Type FuncName(参数){
    if(满足边界条件){
        边界条件的处理;    
    }
    else{
        非边界条件的处理;
        1.分：问题划分为子问题
        2.治：对各个子问题递归调用去解决
        3.合：合并子问题的解为问题的解
    }
}

四、递归算法的时间复杂性分析

1.递推方法求递归算法的时间复杂性

递推方法就是使用已有的信息，将问题一点点推出最终的结果，然后通过递推过程计算出算法的时间复杂性。

例子：阶乘（Factorial）

int Factorial(int n){
    if(n == 1){
        return 1;                      //边界条件的处理
    }
    else{
         return n*Factorial(n - 1);    //非边界条件的处理
    }
}

$\boldsymbol{T(n)\left\{\begin{matrix} 1 & n=1\\ T(n-1)+1&n>0 \end{matrix}\right.}$

$\boldsymbol{T(n) = T(n-1)+1 = T(n-2)+2 = \cdots = T(1)+n-1 = n = O(n)}$

2.Master定理方法求递归算法的时间复杂性

（1）首先根据： $\boldsymbol{T(n)\left\{\begin{matrix} 1 & n=n_0\\ aT(\frac{n}{b})+f(n) & n>n_0 \end{matrix}\right. \Rightarrow n^{log_ba} \mathbf{}}$

（2）比较 $\boldsymbol{n^{log_ba}}$ 和 $\boldsymbol{f(n)}$ 的阶的关系（>，=，<），求 $\boldsymbol{T(n)}$

规则1：如果： $\boldsymbol{f(n)=O(n^{log_ba-\varepsilon })}$ ， $\boldsymbol{\varepsilon > 0}$ 为常数，则 $\boldsymbol{T(n)=O(n^{log_ba})}$

规则2：如果： $\boldsymbol{f(n)=\Theta (n^{log_ba})}$ ，则 $\boldsymbol{T(n)=O(n^{log_ba}logn)}$

规则3：如果： $\boldsymbol{f(n)=\Omega (n^{log_ba+\varepsilon })}$ ， $\boldsymbol{\varepsilon > 0}$ 为常数，且存在 $\boldsymbol{n_0}$ ，当 $\boldsymbol{n>n_0}$ 时， $\boldsymbol{af(\frac{n}{b})\leqslant cf(n)}$ 成立， $\boldsymbol{c < 1}$ 为常数，则 $\boldsymbol{T(n)=O(f(n))}$

注：这里要 $\boldsymbol{a\geq 1}$ ， $\boldsymbol{b> 1}$ 为整数， $\boldsymbol{f(n)}$ 是正函数

例子1：棋盘覆盖

$\boldsymbol{T(n)\left\{\begin{matrix} 1 &n=1 \\ 4T(\frac{n}{2})+1 & n>1 \end{matrix}\right.}$

$\boldsymbol{n^{log_ba} = n^{log_24} = n^2,f(n) = 1 \Rightarrow n^{log_ba}>f(n)}$

$\boldsymbol{\therefore f(n) = O(n^{log_ba-2}) = O(n^{2-2}),\varepsilon =2 >0}$

$\boldsymbol\because{}$ 根据Master定理规则1： $\boldsymbol{T(n) = O(n^{log_ba}) = O(n^2)}$

例子2：归并排序

$\boldsymbol{T(n)\left\{\begin{matrix} 1 &n=1 \\ 2T(\frac{n}{2})+n & n>1 \end{matrix}\right.}$

$\boldsymbol{n^{log_ba} = n^{log_22} = n,f(n) = n \Rightarrow n^{log_ba}=f(n)}$

$\boldsymbol{\therefore f(n) = \theta (n^{log_ba}) = \Theta (n)}$

$\boldsymbol\because{}$ 根据Master定理规则2： $\boldsymbol{T(n) = O(n^{log_ba}logn) = O(nlogn)}$

例子3

$\boldsymbol{T(n)\left\{\begin{matrix} 1 &n=1 \\ 4T(\frac{n}{2})+n^3 & n>1 \end{matrix}\right.}$

$\boldsymbol{n^{log_ba} = n^{log_24} = n^2,f(n) = 1 \Rightarrow n^{log_ba}>f(n)}$

$\boldsymbol{\therefore f(n) = \Omega (n^{log_ba+1}) = O(n^{2+1}),\varepsilon =1 >0}$

且 $\boldsymbol{4f(\frac{n}{2})=4(\frac{n}{2})^3=\frac{n^3}{2}\leq cf(n)}$ 关系成立， $\boldsymbol{\frac{1}{2}\leq c< 1}$

$\boldsymbol\because{}$ 根据Master定理规则3： $\boldsymbol{T(n)=O(f(n))=O(n^3)}$

例子4

$\boldsymbol{T(n)\left\{\begin{matrix} 1 &n=1 \\ 2T(\frac{n}{2})+nlogn & n>1 \end{matrix}\right.}$

$\boldsymbol{n^{log_ba} = n^{log_22} = n,f(n) = nlogn \Rightarrow n^{log_ba}<f(n)}$

按照Master定理规则3，但找不到一个常数 $\boldsymbol{\varepsilon }$ ，使得 $\boldsymbol{f(n)=\Omega (n^{log_ba+\varepsilon })}$

因此改题目不适用Master定理

3.递归树方法求递归算法的时间复杂性

1.递归树是迭代计算模型；

2.递归树的生成过程与迭代过程一致；

3.根据递归定义不断扩展递归树，直到边界条件（其值已知）；

4.对递归树产生的所有项求和就是递归方程的解;

例子1

$\boldsymbol{T(n)\left\{\begin{matrix} 1 & n=1\\ 2T(\frac{n}{2}) +n & n>1 \end{matrix}\right.}$

因为递归树有 $\boldsymbol{k=logn}$ 层，并且每层合计都为 $\boldsymbol{n}$

故： $\boldsymbol{T(n) = O(nlogn)}$

例子2

$\boldsymbol{T(n)\left\{\begin{matrix} 1 & n=1\\ 4T(\frac{n}{2}) +1 & n>1 \end{matrix}\right.}$

因为递归树有 $\boldsymbol{k=logn}$ 层，每层是按照 $\boldsymbol{4^0}$ $\boldsymbol{4^1}$ $\boldsymbol{4^2}$ $\cdots$ $\boldsymbol{4^k}$

因此形成了等比数列公式： $\boldsymbol{S_n = \frac{a_1(1-q^n)}{1-q}}$ $\boldsymbol{(a_1\cdots a_n )}$ 前n项和，因此计算时应该计算 $\boldsymbol{S_k+a_0}$ ，则 $\boldsymbol{S_k+1}$ 。