分治算法的应用：结合力扣几道经典例题

一、什么是分治算法

分治算法的主要思想是将原问题递归地分成若干个子问题，直到子问题满足边界条件，停止递归。将子问题逐个击破(一般是同种方法)，将已经解决的子问题合并，最后，算法会层层合并得到原问题的答案

分治算法的主要步骤

• 分：递归地将问题分解为各个的子问题(性质相同的、相互独立的子问题)；
• 治：将这些规模更小的子问题逐个击破；
• 合：将已解决的子问题逐层合并，最终得出原问题的解；

分治法适用的情况

• 原问题的计算复杂度随着问题的规模的增加而增加。
• 原问题能够被分解成更小的子问题。
• 子问题的结构和性质与原问题一样，并且相互独立，子问题之间不包含公共的子子问题。
• 原问题分解出的子问题的解可以合并为该问题的解。

算法伪代码

def divide_conquer(problem, paraml, param2,...):
    # 不断切分的终止条件
    if problem is None:
        print_result
        return
    # 准备数据
    data=prepare_data(problem)
    # 将大问题拆分为小问题
    subproblems=split_problem(problem, data)
    # 处理小问题，得到子结果
    subresult1=self.divide_conquer(subproblems[0],p1,..…)
    subresult2=self.divide_conquer(subproblems[1],p1,...)
    subresult3=self.divide_conquer(subproblems[2],p1,.…)
    # 对子结果进行合并 得到最终结果
    result=process_result(subresult1, subresult2, subresult3,...)

二、算法应用

1.力扣169.多数元素【传送门】

解法1：分治法
解题思路

• 确定切分的终止条件
  直到所有的子问题都是长度为 1 的数组，停止切分。

• 准备数据，将大问题切分为小问题
  递归地将原数组二分为左区间与右区间，直到最终的数组只剩下一个元素，将其返回

• 处理子问题得到子结果，并合并

  • 长度为 1 的子数组中唯一的数显然是众数，直接返回即可。
  • 如果它们的众数相同，那么显然这一段区间的众数是它们相同的值。
  • 如果他们的众数不同，比较两个众数在整个区间内出现的次数来决定该区间的众数

代码

class Solution(object):
    def majorityElement2(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        # 【不断切分的终止条件】
        if not nums:
            return None
        if len(nums) == 1:
            return nums[0]
        # 【准备数据，并将大问题拆分为小问题】
        left = self.majorityElement(nums[:len(nums)//2])
        right = self.majorityElement(nums[len(nums)//2:])
        # 【处理子问题，得到子结果】
        # 【对子结果进行合并 得到最终结果】
        if left == right:
            return left
        if nums.count(left) > nums.count(right):
            return left
        else:
            return right    

解法2：暴力解法（排序后直接返回中间的位置）
代码

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        nums.sort()
        return nums[len(nums)//2]

解法3：投票法【参考链接】


算法复杂度：时间复杂度 O(N) ： N 为数组 nums 长度。空间复杂度 O(1) ： votes 变量使用常数大小的额外空间。

代码

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        # nums.sort()
        # return nums[len(nums)//2]
        votes = 0
        for num in nums:
            if votes == 0:#初始化
                x = num
            if num == x:
                votes += 1
            else:
                votes -= 1
        return x

2.最大子序和【传送门】

注意这边的是连续子数组，还有另外一道题是上升的子序列，注意区分，在动态规划中我们会涉及到。

解法1. 分治法
解题思路

• 确定切分的终止条件

  直到所有的子问题都是长度为 1 的数组，停止切分。

• 准备数据，将大问题切分为小问题

  递归地将原数组二分为左区间与右区间，直到最终的数组只剩下一个元素，将其返回

• 处理子问题得到子结果，并合并

  • 将数组切分为左右区间

    • 对与左区间：从右到左计算左边的最大子序和
    • 对与右区间：从左到右计算右边的最大子序和

  • 由于左右区间计算累加和的方向不一致，因此，左右区间直接合并相加之后就是整个区间的和

  • 最终返回左区间的元素、右区间的元素、以及整个区间(相对子问题)和的最大值

代码

class Solution(object):
    def maxSubArray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        # 【确定不断切分的终止条件】
        n = len(nums)
        if n == 1:
            return nums[0]

        # 【准备数据，并将大问题拆分为小的问题】
        left = self.maxSubArray(nums[:len(nums)//2])
        right = self.maxSubArray(nums[len(nums)//2:])

        # 【处理小问题，得到子结果】
        #　从右到左计算左边的最大子序和
        max_l = nums[len(nums)//2 -1] # max_l为该左数组的最右边的元素
        tmp = 0 # tmp用来记录连续子数组的和
        
        for i in range( len(nums)//2-1 , -1 , -1 ):# 从右到左遍历数组的元素
            tmp += nums[i]
            max_l = max(tmp ,max_l)
            
        # 从左到右计算右边的最大子序和
        max_r = nums[len(nums)//2] # 右数组的左边界
        tmp = 0
        for i in range(len(nums)//2,len(nums)):
            tmp += nums[i]
            max_r = max(tmp,max_r)
            
        # 【对子结果进行合并 得到最终结果】
        # 返回三个中的最大值
        return max(left,right,max_l+ max_r)

参考链接

解法2.动态规划

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        # 原地修改数组，动态规划
        maxnum = nums[0]
        for i in range(1,len(nums)):
             if nums[i-1] > 0:
                 nums[i] += nums[i-1]
             maxnum = max(maxnum,nums[i])
        return maxnum

参考链接

3.Pow(x,n)【传送门】

解法1.分治法
解题思路

• 确定切分的终止条件

  对n不断除以2，并更新n，直到为0，终止切分

• 准备数据，将大问题切分为小问题

  对n不断除以2，更新

• 处理子问题得到子结果，并合并

  • x与自身相乘更新x
  • 如果n%2 ==1
    • 将p乘以x之后赋值给p(初始值为1)，返回p

• 最终返回p

参考链接

class Solution(object):
    def myPow(self, x, n):
        """
        :type x: float
        :type n: int
        :rtype: float
        """
        # 处理n为负的情况
        if n < 0 :
            x = 1/x
            n = -n
        # 【确定不断切分的终止条件】
        if n == 0 :
            return 1

        # 【准备数据，并将大问题拆分为小的问题】
        if n%2 ==1:
          # 【处理小问题，得到子结果】
          p = x * self.myPow(x,n-1)# 【对子结果进行合并 得到最终结果】
          return p
        return self.myPow(x*x,n/2)  

解法2. 快速幂解析（二进制角度）参考链接

class Solution:
    def myPow(self, x: float, n: int) -> float:
        if x == 0.0: return 0.0
        res = 1
        if  < 0: x, n = 1 / x, -n
        while n:
             if n & 1: res *= x
             x *= x
             n >>= 1
         return res

复杂度分析：
时间复杂度 O(logn) ： 二分的时间复杂度为对数级别。
空间复杂度 O(1) ： rres等变量占用常数大小额外空间。