引用自算法图解，作者[美] Aditya Bhargava 译袁国忠 特别备注：本书非原创，但部分内容自己会再进行解释，以便更容易理解，重点部分会加粗
目前数据结构与算法已更新文章：
我要自学生信之数据结构与算法:算法简介
我要自学生信之数据结构与算法:选择排序
我要自学生信之数据结构与算法:递归
章节思维导图，我尽量在以后每篇文章开始前加一个思维导图，加深大家宏观的理解。不至于陷于细节。
前一章深入介绍了递归，本章的重点是使用学到的新技能来解决问题。我们将探索分而治之 （divide and conquer，D&C）——一种著名的递归式问题解决方法。 本书将深入算法的核心。只能解决一种问题的算法毕竟用处有限，而D&C提供了解决问题的 思路，是另一个可供你使用的工具。面对新问题时，你不再束手无策，而是自问：“使用分而治 之能解决吗？” 在本章末尾，你将学习第一个重要的D&C算法——快速排序。快速排序是一种排序算法，速 度比第2章介绍的选择排序快得多，实属优雅代码的典范。
4.1 分而治之
D&C并不那么容易掌握，我将通过三个示例来介绍。首先， 介绍一个直观的示例；然后，介绍一个代码示例，它不那么好看， 但可能更容易理解；最后，详细介绍快速排序——一种使用D&C 的排序算法。 假设你是农场主，有一小块土地。
你要将这块地均匀地分成方块，且分出的方块要尽可能大。显然，下面的分法都不符合要求。
图片引自算法图解
如何将一块地均匀地分成方块，并确保分出的方块是最大的呢？使用D&C策略！D&C算法 是递归的。使用D&C解决问题的过程包括两个步骤。
(1) 找出基线条件，这种条件必须尽可能简单。
(2) 不断将问题分解（或者说缩小规模），直到符合基线条件。
下面就来使用D&C找出前述问题的解决方案。可你能使用的最大方块有多大呢？ 首先，找出基线条件。最容易处理的情况是，一条边的长度是另一条边的整数倍。
如果一边长25 m，另一边长50 m，那么可使用的最大方块为 25 m×25 m。换言之，可以将 这块地分成两个这样的方块。
现在需要找出递归条件，这正是D&C的用武之地。根据D&C的定义，每次递归调用都必须 缩小问题的规模。如何缩小前述问题的规模呢？我们首先找出这块地可容纳的最大方块。
你可以从这块地中划出两个640 m×640 m的方块，同时余下一小块地。现在是顿悟时刻：何 不对余下的那一小块地使用相同的算法呢？
最初要划分的土地尺寸为1680 m×640 m，而现在要划分的土地更小，为640 m×400 m。适 用于这小块地的最大方块，也是适用于整块地的最大方块。换言之，你将均匀划分1680 m×640 m 土地的问题，简化成了均匀划分640 m×400 m土地的问题！
下面再次使用同样的算法。对于640 m × 400 m的土地，可从中划出的最 大方块为400 m × 400 m。
这将余下一块更小的土地，其尺寸为400 m × 240 m。
你可从这块土地中划出最大的方块，余下一块更小的土地，其尺寸为240 m × 160 m。
接下来，从这块土地中划出最大的方块，余下一块更小的土地。
余下的这块土地满足基线条件，因为160是80的整数倍。将这块土地分成两个方块后，将不会余下任何土地！
因此，对于最初的那片土地，适用的最大方块为80 m× 80 m。
这里重申一下D&C的工作原理：
(1) 找出简单的基线条件；
(2) 确定如何缩小问题的规模，使其符合基线条件。
D&C并非可用于解决问题的算法，而是一种解决问题的思路。我们再来看一个例子。 给定一个数字数组。
你需要将这些数字相加，并返回结果。使用循环很容易完成这种任务。
def sum(arr):
total=0
for x in arr:
total +=x
return[total]
print(sum([1,2,3,4]))但如何使用递归函数来完成这种任务呢？
第一步：找出基线条件。最简单的数组什么样呢？请想想这个问题，再接着往下读。如果数 组不包含任何元素或只包含一个元素，计算总和将非常容易。
因此这就是基线条件。
第二步：每次递归调用都必须离空数组更近一步。如何缩小问题的规模呢？下面是一种办法。
这与下面的版本等效。
这两个版本的结果都为12，但在第二个版本中，给函数sum传递的数组更短。换言之，这缩 小了问题的规模！
这个函数的运行过程如下。
别忘了，递归记录了状态。
4.2 快速排序
快速排序是一种常用的排序算法，比选择排序快得多。例如，C语言标准库中的函数qsort 实现的就是快速排序。快速排序也使用了D&C。
下面来使用快速排序对数组进行排序。对排序算法来说，最简单的数组什么样呢？还记得前一节的“提示”吗？就是根本不需要排序的数组。
因此，基线条件为数组为空或只包含一个元素。在这种情况下，只需原样返回数组——根本就不用排序。
def quicksort（array）：
if len(array)<2:
return[array]我们来看看更长的数组。对包含两个元素的数组进行排序也很容易。
别忘了，你要使用D&C，因此需要将数组分解，直到满足基线条件。下面介绍快速排序的工 作原理。首先，从数组中选择一个元素，这个元素被称为基准值（pivot）。
稍后再介绍如何选择合适的基准值。我们暂时将数组的第一个元素用作基准值。
接下来，找出比基准值小的元素以及比基准值大的元素。
图片引自算法图解
这被称为分区（partitioning）。现在你有：
- 一个由所有小于基准值的数字组成的子数组；
- 基准值；
- 一个由所有大于基准值的数组组成的子数组。
这里只是进行了分区，得到的两个子数组是无序的。但如果这两个数组是有序的，对整个数 组进行排序将非常容易。
如果子数组是有序的，就可以像下面这样合并得到一个有序的数组：左边的数组 + 基准值 + 右边的数组。在这里，就是[10, 15] + [33] + []，结果为有序数组[10, 15, 33]。
如何对子数组进行排序呢？对于包含两个元素的数组（左边的子数组）以及空数组（右边的 子数组），快速排序知道如何将它们排序，因此只要对这两个子数组进行快速排序，再合并结果， 就能得到一个有序数组！
不管将哪个元素用作基准值，这都管用。假设你将15用作基准值。
这个子数组都只有一个元素，而你知道如何对这些数组进行排序。现在你就知道如何对包含 三个元素的数组进行排序了，步骤如下。
(1) 选择基准值。
(2) 将数组分成两个子数组：小于基准值的元素和大于基准值的元素。
(3) 对这两个子数组进行快速排序。 包含四个元素的数组呢？
左边的子数组包含三个元素，而你知道如何对包含三个元素的数组进行排序：对其递归地调 用快速排序。
因此你能够对包含四个元素的数组进行排序。如果能够对包含四个元素的数组进行排序，就 能对包含五个元素的数组进行排序。为什么呢？假设有下面这样一个包含五个元素的数组。
根据选择的基准值，对这个数组进行分区的各种可能方式如下。
注意，这些子数组包含的元素数都在0～4内，而你已经知道如何使用快速排序对包含0～4 个元素的数组进行排序！因此，不管如何选择基准值，你都可对划分得到的两个子数组递归地进 行快速排序。
例如，假设你将3用作基准值，可对得到的子数组进行快速排序。
将子数组排序后，将它们合并，得到一个有序数组。即便你将5用作基准值，这也可行。
将任何元素用作基准值都可行，因此你能够对包含五个元素的数组进行排序。同理，你能够 对包含六个元素的数组进行排序，以此类推。
下面是快速排序的代码。
def quicksort(array):
if len(array) < 2:
return [array]
else:
pivot = array[0]
less = [i for i in array[1:] if i <= pivot]
greater = [i for i in array[1:] if i > pivot]
return [quicksort(less) + [pivot] + quicksort(greater)]
print (quicksort([10, 5, 2, 3]))4.3 再谈大O表示法
快速排序的独特之处在于，其速度取决于选择的基准值。在讨论快速排序的运行时间前，我 们再来看看最常见的大O运行时间。
上述图表中的时间是基于每秒执行10次操作计算得到的。这些数据并不准确，这里提供它们 只是想让你对这些运行时间的差别有大致认识。实际上，计算机每秒执行的操作远不止10次。
对于每种运行时间，本书还列出了相关的算法。来看看第2章介绍的选择排序，其运行时间 为O(n2)，速度非常慢。
还有一种名为合并排序（merge sort）的排序算法，其运行时间为O(n log n)，比选择排序快 得多！快速排序的情况比较棘手，在最糟情况下，其运行时间为O(n2)。
与选择排序一样慢！但这是最糟情况。在平均情况下，快速排序的运行时间为O(n log n)。你 可能会有如下疑问。
- 这里说的最糟情况和平均情况是什么意思呢？
- 若快速排序在平均情况下的运行时间为O(n log n)，而合并排序的运行时间总是O(n log n)， 为何不使用合并排序？它不是更快吗？
4.3.1 比较合并排序和快速排序
假设有下面这样打印列表中每个元素的简单函数。
def print_items(list)：
for item in list:
print (item) 这个函数遍历列表中的每个元素并将其打印出来。它迭代整个列表一次，因此运行时间为 O(n)。现在假设你对这个函数进行修改，使其在打印每个元素前都休眠1秒钟。
from time import sleep
def print_items2(list):
for item in list:
sleep(1)
print(item) 它在打印每个元素前都暂停1秒钟。假设你使用这两个函数来打印一个包含5个元素的列表。
这两个函数都迭代整个列表一次，因此它们的运行时间都为O(n)。你 认为哪个函数的速度更快呢？我认为print_items要快得多，因为它没有 在每次打印元素前都暂停1秒钟。因此，虽然使用大O表示法表示时，这两 个函数的速度相同，但实际上print_items的速度更快。在大O表示法O(n) 中，n实际上指的是这样的。
c是算法所需的固定时间量，被称为常量。例如，print_ items所需的时间可能是10毫秒 * n，而print_items2所需的时间为1秒 * n。
通常不考虑这个常量，因为如果两种算法的大O运行时间不同，这种常量将无关紧要。就拿二分查找和简单查找来举例说明。假设这两种算法的运行时间包含如下常量。
你可能认为，简单查找的常量为10毫秒，而二分查找的常量为1秒，因此简单查找的速度要快得多。现在假设你要在包含40亿个元素的列表中查找，所需时间将如下。
正如你看到的，二分查找的速度还是快得多，常量根本没有什么影响。
但有时候，常量的影响可能很大，对快速查找和合并查找来说就是如此。快速查找的常量比 合并查找小，因此如果它们的运行时间都为O(n log n)，快速查找的速度将更快。实际上，快速查 找的速度确实更快，因为相对于遇上最糟情况，它遇上平均情况的可能性要大得多。 此时你可能会问，何为平均情况，何为最糟情况呢？
4.3.2 平均情况和最糟情况
快速排序的性能高度依赖于你选择的基准值。假设你总是将第一个元素用作基准值，且要处 理的数组是有序的。由于快速排序算法不检查输入数组是否有序，因此它依然尝试对其进行排序。
注意，数组并没有被分成两半，相反，其中一个子数组始终为空，这导致调用栈非常长。现 在假设你总是将中间的元素用作基准值，在这种情况下，调用栈如下。
调用栈短得多！因为你每次都将数组分成两半，所以不需要那么多递归调用。你很快就到达 了基线条件，因此调用栈短得多。
第一个示例展示的是最糟情况，而第二个示例展示的是最佳情况。在最糟情况下，栈长为 O(n)，而在最佳情况下，栈长为O(log n)。
现在来看看栈的第一层。你将一个元素用作基准值，并将其他的元素划分到两个子数组中。 这涉及数组中的全部8个元素，因此该操作的时间为O(n)。在调用栈的第一层，涉及全部8个元素， 但实际上，在调用栈的每层都涉及O(n)个元素。
即便以不同的方式划分数组，每次也将涉及O(n)个元素。
因此，完成每层所需的时间都为O(n)。
在这个示例中，层数为O(log n)（用技术术语说，调用栈的高度为O(log n)），而每层需要的 时间为O(n)。因此整个算法需要的时间为O(n) * O(log n) = O(n log n)。这就是最佳情况。
在最糟情况下，有O(n)层，因此该算法的运行时间为O(n) * O(n) = O(n2)。
知道吗？这里要告诉你的是，最佳情况也是平均情况。只要你每次都随机地选择一个数组元 素作为基准值，快速排序的平均运行时间就将为O(n log n)。快速排序是最快的排序算法之一，也是D&C典范。
4.4 小结
- D&C将问题逐步分解。使用D&C处理列表时，基线条件很可能是空数组或只包含一个元 素的数组。
- 实现快速排序时，请随机地选择用作基准值的元素。快速排序的平均运行时间为O(n log n)。
- 大O表示法中的常量有时候事关重大，这就是快速排序比合并排序快的原因所在。
- 比较简单查找和二分查找时，常量几乎无关紧要，因为列表很长时，O(log n)的速度比O(n) 快得多。
212
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
