以求解" 利用递归实现求一个数组的最大值 " 为例说明Master公式:
问题描述:利用递归方式找一个数组中的最大值。
代码实现:
public class Code {
public static int getMax(int[] arr) {
return process(arr,0,arr.length - 1);
}
// arr[L..R]范围上的最大值
public static int process(int[] arr,int L,int R) {
if(L == R) { // arr数组只有一个数时,直接返回
return arr[L];
}
// 求中点
int mid = L + ((R -L) >> 1);
int leftMax = process(arr,L,mid);
int rightMax = process(arr,mid+1,R);
return Math.max(leftMax,rightMax);
}
}
我们通常求中点的方法是mid = (L+R)/2,如果数组的长度比较大的话,(L+R)有可能会溢出,溢出之后再除2就不对了。所以为了防止这种情况发生,可以写成mid = L + (R -L)/2,这样就不会发生溢出了,右移一位等同于除2。为什么要使用右移一位的方式呢?因为右移一位比除2要快。
递归树分析:
每一个结点都只有计算完子节点往上汇总的时候才能知道结果;递归过程实际上就是用系统栈把整个过程压栈了。
分析递归行为时间复杂度估计:
Master公式:估计一系列比较特殊的递归行为的时候它可以这么估计。
首先来看一下怎么理解这个式子:
- T(N):指的是母问题的数据量是N级别的。就是说母问题一共有N个数据,规模是N。
- T(N/b):指的是这个子问题的规模都是(N/b)规模的子问题,也就是说每一次子问题的规模都是等量的。
- "a":指的是这个子问题被调了多少次,调用次数。
- O(N^d):指的是除去子问题调用之外剩下的过程的时间复杂度。
就这样一类的递归可以由Master公式来求解时间复杂度。
对比刚才递归求解最大值问题:
一开始调用Process 就是母问题。而每一次子问题就是都是等量的,第一次子问题规模是"T(N/2)",第二次子问题规模是"T(N/4)"。除了子问题之后,剩下的时间复杂度就是O(1)。
由此可见,我们刚刚写的 process 函数满足master表达式的特征,我们写出它的Master表达式为:T(N)=2*T(N/2)+O(1)。
统一符合Master公式模型的递归,它的时间复杂度可以直接求,只需要确定参数a b d的值即可求出时间复杂度。
刚才的例子的时间复杂度使用Master公式得出是O(N),等效于从左到右遍历一遍求最大值。