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 ) O(1) 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 ( l o g N ) O(logN) 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 ) O(N) O(N)的。
折半查找
给定一个整数 X X X和整数 A 0 , A 1 , . . . , A N − 1 A_0, A_1, ..., A_{N-1} A0,A1,...,AN−1,后者已经预先排序并在内存中,求下标 i i i使得 A i = X A_i = X Ai=X,如果 X X X不在数据中,则返回 i = − 1 i = -1 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 ( l o g N ) O(logN) 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 ( l o g N ) O(logN) O(logN),N为较小者。
首先有定理:如果 M > N M > N M>N,则 M m o d N < M / 2 M mod N < M / 2 MmodN<M/2。
证明:存在两种情形。如果 N ≤ M / 2 N \leq M / 2 N≤M/2,则由于余数 r e m rem rem必小于 N N N,所以定理在这种情形下成立;如果 N > M / 2 N > M / 2 N>M/2,则余数 r e m = M − N < M − M / 2 = M / 2 rem = M - N < M - M/ 2 = M / 2 rem=M−N<M−M/2=M/2,即 r e m < M / 2 rem < M / 2 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 M / 2 M/2,第二次迭代后余数至多为 N / 2 N / 2 N/2,所以在两次迭代后,余数最多为 N N N(较小值)的一半,所以迭代次数为 2 l o g N 2logN 2logN,忽略常数因子,时间复杂度即为 O ( l o g N ) O(logN) O(logN)。
幂运算
计算 X N X^N XN的明显的算法是使用 N − 1 N - 1 N−1次乘法自乘。有一种递归算法效果更好。 N ≤ 1 N \leq 1 N≤1是这种递归的基准情形。否则,若 N N N是偶数,有 X N = X N / 2 ∗ X N / 2 X^N = X^{N/2} * X^{N/2} XN=XN/2∗XN/2,如果 N N N是奇数,则 X N = X ( N − 1 ) / 2 ∗ X ( N − 1 ) / 2 ∗ X X^N = X^{(N-1) / 2} * X^{(N-1) / 2} * X XN=X(N−1)/2∗X(N−1)/2∗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;
}