用O(n)复杂度求第k大的值

算法思想

取一个pivot，以pivot将原数组划分为两部分大小分别是x和y，确定了pivot的位置，现在知道pivot是第y+1大，如果k比y+1小，继续往右边找，如果k比y+1大，往左边找，如果k等于y+1，说明找到了。

主定理（master theorem）

假设有递推表达式 $T(n)=aT(\frac{n}{b})+f(n)$ ，其中$n$为问题规模，$a$为递推的子问题数量， $\frac{n}{b}$为每个子问题的规模（假设每个子问题的规模基本一样），$f(n)$为递推以外进行的计算工作。
$a\ge 1，b>1$为常数，$f(n)$ 为函数，$T(n)$为非负整数。则有以下结果（分类讨论）：

a. $若f(n)=O(n^{lo{g}_{b}a-ϵ}),ϵ>0,则T(n)=\Theta (n^{lo{g}_{b}a})$。
b. $若f(n)=\Theta (n^{lo{g}_{b}a}),则T(n)=\Theta (n^{lo{g}_{b}a}logn)$。
c. $若f(n)=\Omega (n^{lo{g}_{b}a+ϵ}),ϵ>0,且对于某个常数c<1和所有充分大的n有af(\frac{n}{b})\le cf(n),那么T(n)=\Theta (f(n))$。

证明

上面算法每次规模缩小一半，除此以外需要n次比较，所以可以写出递推表达式是$T(n)=T(\frac{n}{2})+n$。
由主定理可知，
$a=1,b=2,lo{g}_{a}b=0$
有$f(n)=n=\Omega (n^{ϵ}),ϵ取1,c取\frac{1}{2}，所以T(n)=\Theta (n)$。

代码实现

    private int partition(int[] nums, int l, int r) {
        int pivot = nums[l];
        while (l < r) {
            while (l < r && pivot <= nums[r]) r--;
            if (l < r) nums[l] = nums[r];
            while (l < r && pivot >= nums[l]) l++;
            if (l < r) nums[r] = nums[l];
        }
        nums[l] = pivot;
        return l;
    }

    public int findKthLargest(int[] nums, int l, int r, int k) {
        if (l == r && k == 1) return nums[l];
        int pivotIndex = partition(nums, l, r);
        int y = r - pivotIndex;
        if (k < y + 1) return findKthLargest(nums, pivotIndex + 1, r, k);
        else if (k > y + 1) return findKthLargest(nums, l, pivotIndex - 1, k - y - 1);
        else return nums[pivotIndex];
    }