1 简介
分治算法思想: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,将子问题逐个解决(一般是同种方法),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。
1.1 分支算法步骤
- 分:递归地将问题分解为各个的子问题(性质相同的,相互独立的子问题)
- 治:将这些规模更小的子问题逐个击破
- 合:将已解决的问题逐层合并,最终得出原问题的解
1.2 分治算法适用场景
- 原问题的计算复杂度随着问题的规模的增加而增加
- 原问题能够被分解成更小的问题
- 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问题。
- 原问题分解出的子问题的解可以合并为该问题的解。
1.3 伪代码解释
def divide_conquer(problem,param1,param2,...):
# 不断切分的终止条件
if problem is None:
print_result
return
# 准备数据
data = prepare_data(problem)
# 将大问题拆分为小问题
subproblems = split_problem(problem, data)
# 处理小问题,得到子结果
subresult1 = self.divide_conquer(subproblems[0],p1,...)
subresult2 = self.divide_conquer(subproblems[1],p2,...)
subresult3 = self.divide_conquer(subproblems[2],p3,...)
# 对子结果进行合并,得到最终结果
result = process_reslut(subresult1,subresult2,subresult3,...)
1.4 分治算法实例
还是那句真理,抽象化具象。
1.4.1 分治算法应用在排序
相关概念:1. 有序度:表示一组数据的有序程度 2. 逆序度:表示一组数据的无序程度
一般通过计算有序对或者逆序对的个数,来表示数据的有序度或逆序度。【示例】:假设有n个数据,期望数据从小到大排列,那完全有序的数据的有序度就是n(n-1)/2,逆序度等于0;
Q: 如何编程求出一组数据的有序对个数或者逆序对个数呢?—两者求解方式类似,只用思考逆序对(常接触的)个数的求解方法。
【法一】:
拿数组里的每个数字跟它后面的数字作比较,看有几个比它小的。
把比它小的数字个数记作K,通过这样的方式,把每个数字都考察一遍之后,然后对每个数字对应的k值求和。
最后得到的总和就是逆序对个数。
这样操作的时间复杂度是O(N^2)(两层嵌套for循环)。
有没有更加高效的处理方法?尝试使用分治的思想来求数组A的逆序对个数。
【法二】:
首先将数组分成前后两半A1和A2,分别计算A1和A2的逆序对个数K1和K2
然后再计算A1和A2之间逆序对个数K3。那原来数组的逆序对个数为:K1+K2+K3
如何快速计算出两个子问题A1和A2之间的逆序对个数呢?在这里借助归并排序算法。归并排序中一个关键的操作:就是将两个有序的小数组,合并成一个有序的数组。只要我们在这合并的过程中,就可以计算出两个小数组的逆序对个数。每次合并操作,就都直接计算逆序队个数,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。
1.4.2 LeetCode真题
- 50-Pow(x,n)
应该想到的解法:
class Solution:
def myPow(self, x: float, n: int) -> float:
if n == 0:
return 1
if n < 0:
return 1 / self.myPow(1/x, -n)
res = 1
for _ in range(n):
res *= x
return res
使用分治:想到二分
class Solution(object):
def myPow(self, x, n): # 类中的函数参数列表较普通函数多一个self参数
"""
:type x: float
:type n: int
:rtype: float
"""
# 确定终止条件
if(x==0):
return 0
if(n==0):
return 1
if(n<0):
x = 1/x
n = -n
# 就是一直进行二分,想x^2的平方
if(n%2==1):
reslut = x*self.myPow(x*x,(n-1)/2)
else:
reslut = self.myPow(x*x,n/2)
return reslut
- 53-最大子序和
法一:遍历法
class Solution(object):
def maxSubArray(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
# 不是有序数组,只是要求是连续的
# 时间复杂度:O(n^2)
max1 = nums[0]
for i in range(len(nums)):
# 一次次求和比较
sum1 =0;
for j in range(i,len(nums)):
sum1 = sum1 + nums[j]
if (sum1>max1):
max1 = sum1
return max1
法二:分治法
【解题思路】
- 确定切分终止条件:直到所有的子问题都是长度为1 的数组,停止切分。
- 准备数据,将大问题切分小问题:递归地将原数组二分为左区间与右区间,直到最终的数组只剩下一个元素,将其返回。
- 处理子问题并得到子结果,并合并:
- 将数组切分为左右区间:对左区间:从右到左计算左边的最大子序和;对右区间:从左到右计算右边的最大子序和。
- 由于左右区间计算累加和的方向不一致,因此,左右区间直接合并相加之后就是整个区间的和。
- 最终返回左区间的元素、右区间的元素、以及整个区间(相对子问题)和的最大值。
class Solution(object):
def maxSubArray(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
# 【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)
【注意】:我没有理解递归那部分,是怎么工作的呢?left的值到底是什么呢?
- 169-多数元素
法一:嵌套循环法,超出时间限制
法二:分治法
【解题思路】:
- 确定切分的终止条件: 指导所有的子问题都是长度为1的数组,停止切分
- 准备数据,将大问题且分为小问题:递归地将原数组二分为左区间与右区间,直到最终的数组只剩下一个元素,将其返回
- 处理子问题得到子结果并合并
长度为 1 的子数组中唯一的数显然是众数,直接返回即可。
如果它们的众数相同,那么显然这一段区间的众数是它们相同的值。
如果他们的众数不同,比较两个众数在整个区间内出现的次数来决定该区间的众数
class Solution(object):
def majorityElement2(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
# 【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
怎么感觉分治法就像是黑盒子,什么都能套用,但是我却不了解里面内部发生了什么 对于碰到递归的时候,是一直递归下去还是直接可以继续执行下一条指令。
Q:分治对于将数组一直分为只有一个长度的数组式,发生了什么?**