数据结构与算法分析——对数时间复杂度的算法

数据结构与算法分析——对数时间复杂度的算法

对数最常出现的规律可概括为下列一般法则：如果一个算法用常数时间（$O(1)$）将问题的大小削减为其一部分（通常是1/2），那么该算法就是$O(logN)$。另一方面，如果使用常数时间只是把问题减少一个常数的数量（如将问题减少1），那么这种算法就是$O(N)$的。

折半查找

给定一个整数$X$和整数$A_0,A_1,...,A_{N-1}$，后者已经预先排序并在内存中，求下标$i$使得$A_i=X$，如果$X$不在数据中，则返回$i=-1$。

public static <AnyType extends Comparable<? super AnyType>>
int binarySearch(AnyType[] a, AnyType x) {
	int low = 0, high = a.length - 1;

	while (low <= high) {
		int mid = (low + high) / 2;
		
		if (a[mid].compareTo(x) < 0)
			low = mid + 1;
		else if (a[mid].compareTo(x) > 0)
			high = mid - 1;
		else
			return mid;  // Found
	}
	return NOT_FOUND;  // NOT_FOUND is defined as -1
}

时间复杂度为：$O(logN)$。

欧几里得算法

利用欧几里得算法计算最大公因数。

public static long  gcd(long m, long n) {
	while (n != 0) {
		long rem = m % n;
		m = n;
		n = rem;
	}
	return m;
}

算法连续计算余数直到余数是0为止，最后的非零余数就是最大公因数。估计算法的整个运行时间依赖于确定余数序列究竟有多长。不过余数序列的长度没有明显的规律，不过可以证明，时间复杂度为：$O(logN)$，N为较小者。

首先有定理：如果$M>N$，则$MmodN<M/2$。

证明：存在两种情形。如果$N\le M/2$，则由于余数$rem$必小于$N$，所以定理在这种情形下成立；如果$N>M/2$，则余数$rem=M-N<M-M/2=M/2$，即$rem<M/2$，定理得证。

观察算法执行过程，第一次迭代后余数至多为$M/2$，第二次迭代后余数至多为$N/2$，所以在两次迭代后，余数最多为$N$（较小值）的一半，所以迭代次数为$2logN$，忽略常数因子，时间复杂度即为$O(logN)$。

幂运算

计算$X^N$的明显的算法是使用$N-1$次乘法自乘。有一种递归算法效果更好。$N\le 1$是这种递归的基准情形。否则，若$N$是偶数，有$X^N=X^{N/2}\ast X^{N/2}$，如果$N$是奇数，则$X^N=X^{(N-1)/2}\ast X^{(N-1)/2}\ast X$。

public static long pow(long x, int n) {
	if (n == 0)
		return 1;
	if (n == 1)
		return x;
	if (isEven(n))
		return pow(x * x, n / 2);
	else
		return pow(x * x, n / 2) * x;
}