THU_数据结构_学习笔记（4）

数据结构，邓俊辉老师
平台——学堂在线 https://www.xuetangx.com/course/THU08091000384/5883586?channel=learn_title

第一章 绪论

迭代与递归

迭代乃人工，递归方神通
To iterate is human, to recurse, divine

学习内容上，螺旋式的上升
从递归程序转到——> 高效的迭代，重点

凡治众如治寡，分数是也 —— 《孙子兵法》

空间复杂度 = 累加器 + 中间循环的控制变量，即除输入本身占的空间以外的，用于计算的必须的空间，即不考虑输入占用的空间

关于问题，计算任意n个整数之和，时间复杂度O（n），空间复杂度O(2)，空间上只需要一个累加器和一个循环体的控制变量

+理解，剩余的有效的问题规模，随着已经参与统计的元素个数的增加而降低
通过逐步蚕食，不断削减问题有效规模的策略
—— 本节课重点

减而治之

法一，递归跟踪分析

1、原问题—— 转化为线性递归
代码：

sum(int A[], int n){
	return (n < 1)? 0 : sum(A, n-1) + A[n-1];
}

线性思考思路：略
时间复杂度：
The complexity is O(n) because there are n instances each requiring O(1) execution time.
由于单个递归实例需要O（1）时间完成，共有n个实例，所以整个算法的复杂度是O（n）
局限：仅适用于简明的递归模式

法二， 递推分析方法

如果递推跟踪是几何，递推分析就是代数

递推方程：T(n) = T(n-1) + O(1)
边界条件：T(0) = O(1)
理解：
首先花T(n-1)的时间去求解了规模为n-1的问题，再花上O(1)的时间将它的解和平凡问题的解合并
求解方法:
对递推方程左右各减去一个n——> T(n) - n = T(n - 1) -(n - 1) =… = T(1) - 1 = T(0) ——> 挪动n到方程右边，得到T(n) = O(1) + n = O(n)
结果，与刚才的递归跟踪分析方法，殊途同归

减而治之实例，数组倒置，递归版

任给数组A[0, n) （此处采用Python语法，左闭右开），就像翻烙饼一样，前后颠倒
统一接口： void reverse(int* A, int lo, int hi)
思维上直观表示：
+代码

if(lo < hi)
	{swap(A[lo], A[hi]); reverse(A, lo+1, hi-1); }
// 隐含 else return;

如果lo和hi之间含有足够多的元素，还没有到退化的情况，我们就将当前的lo和当前的hi，两个元素彼此互换
接下来，递归地去求解一个更小的问题，具体来说从lo+1，到hi-1，问题规模减少为原规模-2个元素
+问题 我们的递归基足以应用在所有情况吗？
自己验证：区间宽度偶数时，符合前序思路；区间宽度奇数时，假设-2次递归传入(lo,hi)为(1,3)，-1次递归为(2,2)，
当(2,2)时，不符合lo<hi, 因此不互换，总结，在该逻辑下运行程序，区间奇偶性递归基相同；但是，要注意到：程序隐含的else，对应了两个递归基，原因是，在问题规模缩减为0或1时，都需要停止递归；而非一种情况下就停止

+迭代法精简代码

while(lo < hi) swap(A[lo++], A[hi--]);

参照上述所给的两种方法，分析递归法的时间复杂度，两种方法相互佐证
+自己推导过程截图：
pad导入

法三，大师定理（原排序在本节最后部分）

决定因素：a, b, O(f(n))
如下方例子，二分递归
a, b = 2,2, logb(a) = 1
O(n) 与 O (1)的关系符合截图中情况1，因而T(n) = O(n)

分而治之Divide and Conquer

数组求和，二分递归

区间范围A[lo, hi]
统一接口： void sum(int* A, int lo, int hi)
+代码

if(lo == hi) return A[lo];
int mi = (lo + hi) >> 1;
return sum(A, lo, mi) + sum(A, mi+1, hi);

+思路

• 思路代入具体数值
  
  时间复杂度T（n）= 各层递归实例所需时间之和
  = O(1) * (2^0 + 2^1 +2^2 +… + 2 ^log(n))
  = O(1) * (2^(log(n)+1) - 1) = n*2 - 1 = O(n)

+思维方法，
进一步，如何快速分析？
所有递归实例，在每一层构成以2为倍数的几何级数，而几何级数的总和与末项同阶
问题，底层有多少递归实例？n个，底层递归实例，对原始区间中每个元素有且仅有唯一的对应
——》 直接得出O(n)

从另一递归分析角度，也可得到相同的结论，此处略

概念建立—— 减而治之和分而治之，是强有力的方法

实例，在一个区间中找出两个最大数

区间范围A[lo, hi)
统一接口： void max2(int* A, int lo, int hi, int & x1, int & x2)

1）无分治的普通迭代法：

• 局限，并未改善时间效率

（2）分治思想下：

• 取lo和hi 的中点（1）

• 令x1L，x2L指向左区间最大的前两个元素；右区间则为x1R，x2R（2）

• 接下来，对子区间的最大者进行比较，接着比较被淘汰下来的数值和另一区间第二大的值（3）

• 无论如何，在每一个递归实例中，至多进行一次或两次比较
  +思路，注意分析步骤（3）两种情况，此处略
  +代码，注意边界条件（有两个递归基）

# 边界条件
if (lo+2 == hi) {if(A[x1=lo]<A[x2=lo+1]{swap(x1,x2)};return;}// 区间范围[low,hi), 此时区间中仅剩两个元素，直接比较，T(2) = 1
if (lo+3 == hi) {max2(A,lo,hi,x1,x2); return;}// 此时区间包含三个元素，调用max2()比较，T(3) <= 3
# 分治下的递归
int mi = (lo+hi) // 2
int x1L, x2L; max2(A, lo, mi, x1L, x2L);
int x1R, x2R; max2(A, mi, hi, x1R, x2R);
if(A[x1L)] > A[x1R]{
	x1 = x1L; x2 = (A[x2L] > A[x1R]) ? x2L : x1R;
} else{
	x1 = x1R; x2 = (A[x2R] > A[x1L]) ? x2R : x1L;
}

T（n） = 2 * T（n/2） + 2 <= 5n/3 - 2
n的常系数从2下降到5/3
自己计算：最坏情况下——T(n) = 2*T(n/2) + 2
= 2*(2*T(n/4) + 2)=…
= 2^(log2(n/3)) * T(3) +2^(log2(n/6)) *2^2
= 5n/3 - 2

迭代递归算法
两种策略，减而治之和分而治之
两种递归常用分析方法，后面看到更多更复杂的例子

+总结
To apply divide-and-conquer, we divide the original problem into two degenerated sub-problems, solve them, and merge their solutions.
分而治之的思想是：将问题划分为两个平凡的子问题，分别求解子问题，来得到原问题的解。

+The question: we see a comment in the code: “Two base cases are required”. What does it refer to? 需要两个递归基的含义是？
The sequence of recursive callls is terminated when the problem size is reduced to either 0 or 1. 在问题规模缩减为两种不同的情况时，停止递归

用分而治之的思想来解决长度为n的数组的求和问题（n足够大），递归实例的数目会比用减而治之的方法少。
-错，在这个问题上，分而治之和减而治之的效率相同，时间复杂度均为O(n).
分而治之求和的思维底层有n个递归实例且其层级间为几何级数关系，几何级数的复杂度与末项同阶；而减而治之求和的思维共有n个递归实例线性排列，递归到底端后，回溯执行，每次执行复杂度为O(1)，故也是O(n)

+自己总结
细节上，注意递归基的个数和边界条件
思维上，灵活运用减而治之和分而治之，特别是分而治之
掌握不同分析复杂度的方法，包括直观的递归跟踪和抽象的递推分析，第三种大师法，在后续课程还会深入