必须了解的编程基础：分治算法

1. 分治算法思想

分治算法可行的前提是一个大问题的分解后的小实例是可以求解的。

1. 分：把大问题分解为两个或者更少的实例。
2. 治：分别解决每个小实例。
3. 组合：把所有小实例的解组合成问题的解。

2. 实例：幂次方运算

对x的幂次数n进行分治：
$$x^n=x^{mid}\times x^{n-mid}=x^{\lfloor n/2\rfloor }\times x^{n-\lfloor n/2\rfloor }\text{\hspace{1em}(1)}$$
c++ 程序代码实现如下：

#include<iostream>
using namespace std;

int myPower(int x, int n)
{
    // 治
    if(n == 0) return 1;
    if(n == 1) return x;
    if(n == 2) return x*x;
    // 分
    int mid = n / 2;
    int sub1_n = mid;
    int sub2_n = n - mid;
    int r1 = myPower(x, sub1_n);
    int r2 = myPower(x, sub2_n);
    // 组合
    return r1*r2;
}

int main()
{
	cout << myPower(2, 5) << endl;
}

运行结果是 32；

参考LeetCode 50上的题目修改和优化这个代码，使其能够计算浮点数的幂次方，以及负数次幂。

改进地方有：降低治部分内容，将其按偶次幂和奇次幂两种情况进行组合，从而进一步降低其时间复杂度。

    double quickMul(double x, long long N)   
     {        
     	// 治        
     	if(N == 0) return 1.0;        
     	// 分        
     	int mid = N / 2;        
     	double y = quickMul(x, mid);       
     	// 组合 (按奇数次幂和偶数次幂两种情况组合)        
     	return N % 2 == 0 ? y * y : y * y * x;    
     }
     
    double myPower(double x, int n)     
    {        
    	long long N = n;        
    	return N >= 0 ? quickMul(x, N) : 1.0 / quickMul(x, -N);    
    }

3. 时间复杂度分析

本部分分析将会使你明白，为什么公式（1）的分治算法比连乘的幂次运算的时间复杂度更低。

3.1 连乘法的时间复杂度

将$x\times x$的时间复杂度看做是$O(1)$，那么$x^n=x\times x\times ...\times x$的时间复杂度就是$O(n)$

3.2 分治法的时间复杂度

公式（1）的 运行时间是：$$T(n)=1\times T(n/2)+\Theta (1)\text{\hspace{1em}(2)}$$

• 第一部分$1\times T(n/2)$是分的计算量，其中因子1表示意思是通过Divide（分）办法计算$x^n=x^{n/2}\times x^{n/2}$时，只需计算二分后的一半，即只需计算一个$x^{n/2}$ .
• 第二部分$\Theta (1)$表示的是“治”部分的计算量，即$x\times x$.
  递推式（2）计算得$T(n)={\log }_2^n$, 计算方法见参考文献[1].

3.3 结论

显然，$T(n)={\log }_2^n$ 是小于$O(n)$的，即分治法的时间复杂度更低。

参考文献

[1]. https://www.bilibili.com/video/BV1Kx411f7bL?p=2
[2]. [美]萨特吉-萨尼,数据结构、算法与应用c++语言描述.机械工业出版社.2015.03