数组分割算法

今天读编程之美遇到一道题，跟着其中的算法思路进行了推理思考，让我重新温习了高中的数学知识，梳理了一边自己的数学思维，颇有感触，不记可惜，特发此文。
题意如下：
 有一个没有排序，元素个数为2n的正整数数组，要求：如何能把这个数组分割为元素个数为n的两个数组，并使两个子数组的和最接近？
 遇到任何题目，我们都应该将思路从简至繁，复杂度从繁至简地思考解决办法，即，先找傻子都能想到的办法，然后步步优化，那么可得第一种办法：
解法一
枚举所有n个数的组合，求出每组的解，然后从中找出最接近数组总和一半的组合，即为解，复杂度为C(2n,n)。
唔。。假设n=25，我用组合数计算器算了一下C(50,25) = 126410606437752，要运行126410606437752*24次加法，即使是每秒运算5.49亿次的天河二号计算机，也要消耗6067704秒，明显是不靠谱的。

然后，如何化简算法呢，我们要摒弃枚举，就要在每一步的运算中，能用得上历史运算结果，在历史运算结果的基础上，得到新的结果，这样不断更新结果的方法，一定比枚举法要高效，是的，我说的就是动态规划，解法如下：
解法二
设数组为arr，数组和为SUM，再设一个辅助空间heap堆,其中heap[i]用来表示存储从数组arr中取i个数所能产生的和之集合的堆，注意heap里存放的是一个个集合。初始化heap[0]={0}，设置为动态规划的边界条件，然后遍历数组，不断更新heap，最终得到heap[n]中所有集合。伪代码如下：

for(k=1;i<=2*n;k++){//遍历数组 2n次
    i_max=min(k-1,n-1);//上限取到n-1，因为我们最多只求一半数量的组合
    for(i=i_max;i>=0;i--)//遍历i_max, O(k)次
    {
        foreach v in heap[i]//遍历heap[i]的集合
            insert(v+arr[k],heap[i+1]);//在heap[i]中集合的每个元素的基础上，加上arr[k]值，更新heap[i+1]
    }
}

这个算法要注意的一点就是遍历i_max的时候，是倒着遍历的，因为如果正着遍历，由heap[0]更新完heap[1]后，heap[1]中的和就包含了arr[k]，再由heap[1]更新heap[2],又要包含一次arr[k]，这就重复了，会导致错误的结果。
这个算法本质上就是在历史heap中，对每个集合都与arr[k]结合，更新整个heap，每一次更新都使得heap翻倍，因此运算次数为2^2n，复杂度为O(4^N)。时间复杂度是N的指数级，因此在N很大时，效率很低，我们不得不考虑设计一种时间复杂度是N的多项式函数的方法。考虑的出发点是，是否有另一种拆分第K步的方法。
解法三
解法二的拆分方法需要不断遍历历史heap堆，由于heap随着k的增大而增大，所以导致了解法二的效率低下，能不能设计一个算法使得第k步花费的时间与k无关呢？我们不妨倒过来想，原来是给定旧heap,求新heap。那我们能不能给定新heap的可能值v和arr[k]，去寻找v-arr[k]是否在旧heap中呢？由于新heap可能值的集合的大小与k无关，所以新算法第k步的时间复杂度与k无关。
代码如下：

定义：isOk[i][v]表示是否可以找到i个数，使得他们之和等于v
初始化isOk[0][0]=true;
for(k=1;k<=2*n;k++)
{
    for(i=1;(i<=k && i<=n);i++)
        for(v=1;v<=Sum/2;v++)
            if(v>=arr[k]&&isOk[i-1][v-arr[k]])
                isOk[i][v]=true;
}

利用如上的算法，时间复杂度将为O(N^2*SUM)。
虽然解法三对于N是多项式的时间算法，但当SUM很大而N很小时，这个算法是很不合适的，所以我们应该根据具体的问题选择最适合的方法。