第四章 分治策略 4.1 最大子数组问题

4.1 最大子数组问题

一.

  分治策略中，递归地求解一个问题，在每层递归中应用如下三个步骤：

• 分解 步骤将问题划分为一些子问题，子问题的形式与原问题一样，只是规模更小。
• 解决 步骤递归地求解出子问题。如果子问题的规模足够小，则停止递归，直接求解。
• 合并 步骤将子问题的解组合成原问题的解。

  当子问题足够大，需要递归求解时，我们称之为递归情况。当子问题变得足够小，不再需要递归时，我们说递归已经“触底”，进入了基本情况。

---

  子问题的规模不必是原问题规模的一个固定比例。
  存在不是等式而是不等式的递归式，例如 $T(n)\le 2T(n/2)+\Theta (n)$ 。对此可用大 $O$ 符号而不是 $\Theta$ 符号来描述其解。类似地如 $T(n)\ge 2T(n/2)+\Theta (n)$ 应该用 $\Omega$ 符号来描述其解。

二.

  已知一存在负数的数组，求解最大子数组。我们采用分治法设计一个 $o(n^2)$ 的算法。
  原问题如图所示，
  我们考察每日的价格变化，第 $i$ 天的价格变化定义为第 $i$ 天和第 $i-1$ 天的价格差，则问题转化为寻找 $A$ 的和最大的非空连续子数组。我们成这样的连续子数组为最大子数组。
  只有当数组中包含负数时，最大子数组问题才有意义。如果所有数组元素都是非负的，最大子数组问题没有任何难度，因为整个数组的和肯定是最大的。

---

  使用分治技术，即将子数组划分为两个规模尽量相等的子数组。找到子数组的中央位置，比如 $mid$ ，然后考虑求解两个子数组 $A[low..mid]$ （左子数组）和 $A[mid+1..high]$ （右子数组）。于是 $A[low..high]$ 的任何连续子数组 $A[i..j]$ 所处的位置必然是：

• 完全位于子数组 $A[low..mid]$ 中，因此 $low\le i\le j\le mid$ 。
• 完全位于子数组 $A[mid+1..high]$ 中，因此 $mid<i\le j\le high$ 。
• 跨越了中点，因此 $low\le i\le mid<j\le high$ 。

  我们可以递归地求解 $A[low..mid]$ 和 $A[mid+1..high]$ 的最大子数组，因为这两个子问题仍是最大子数组问题，只是规模更小。因此剩下的工作就是寻找跨越中点的最大子数组，然后在三种情况中选取和最大者。
  由于求出的子数组必须跨越中点这一限制，寻找跨越中点的最大子数组并非是原问题的实例。我们很容易在线性时间（相对于子数组 $A[low..high]$ 的规模）内求出跨越中点的最大子数组。只需找出形如 $A[i..mid]$ 和 $A[mid+1..j]$ 的最大子数组，然后将其合并即可。
FIND-MAX-CROSSING-SUBARRAY(A, low, mid, high)

left-sum = -∞
sum = 0
for i = mid downto low
	sum = sum + A[i]
	if sum > left-sum
		left-sum = sum
		max-left = i
right-sum = -∞
sum = 0
for j = mid + 1 to high
	sum = sum + A[j]
	if sum > right-sum
		right-sum = sum
		max-right = j
return (max-left, max-left, left-sum + right-sum)

  如果子数组 $A[low..high]$ 包含 $n$ 个元素（即 $n=high-low+1$），则调用 FIND-MAX-CROSSING-SUBARRAY(A, low, mid, high) 花费 $\Theta (n)$ 时间。
  而最大子数组问题的分治算法的伪代码如下：
FIND-MAXINUM-SUBARRAY(A, low, high)

if high == low
	return (low, high, A[low])                                //base case: only one element
else mid = ⌊(low+high)/2⌋
	(left-low, left-high, left-sum) = 
		FIND-MAXINUM-SUBARRAY(A, low, mid)
	(right-low, right-high, right-sum) = 
		FIND-MAXINUM-SUBARRAY(A, mid + 1, high)
	(cross-low, cross-high, cross-sum) = 
		FIND-MAX-CROSSING-SUBARRAY(A, low, mid, high)
	if left-sum ≥ right-sum and left-sum ≥ cross-sum
		return (left-low, left-high, left-sum)
	elseif right-sum ≥ left-sum and right-sum ≥ cross-sum
		return (right-low, right-high, right-sum)
	else return (cross-low, cross-high, cross-sum)

  初始调用 FIND-MAXINUM-SUBARRAY(A, 1, A.length) 会求出 $A[1..n]$ 的最大子数组。
  对原问题简化，假设原问题的规模为 2 的幂，这样所有子问题的规模均为整数。我们用 $T(n)$ 表示FIND-MAXINUM-SUBARRAY 求解 $n$ 个元素的最大子数组的运行时间。分析有：$$T(n)=\{\begin{array}{ll}\Theta (1)& \text{若 n = 1}\\ 2T(n/2)+\Theta (n)& \text{若 n > 1}\end{array}$$  显然解为 $T(n)=n\lg n$ 。

三.

4. 1-1

  当 $A$ 的所有元素均为负数时， FIND-MAXINUM-SUBARRAY 返回什么？

  解：返回其中元素的最大值。

4. 1-2

  对最大子数组问题，编写暴力求解方法的伪代码， 其运行时间应该为 $\Theta (n^2)$。

  解：代码如下：

BRUTE-FORCE-FIND-MAXIMUM-SUBARRAY(A)

n = A.length
max-sum = -∞
for l = 1 to n
    sum = 0
    for h = l to n
        sum = sum + A[h]
        if sum > max-sum
            max-sum = sum
            low = l
            high = h
return (low, high, max-sum)

4. 1-3

  在你的计算机上实现最大子数组问题的暴力算法和递归算法。请指出多大的问题规模 $n_0$ 是性能交叉点——从此之后递归算法将击败暴力算法？然后，修改递归算法的基本情况——当问题规模小于 $n_0$ 时采用暴力算法。修改后，性能交叉点会改变吗？

  解：$n_0$ 与计算机种类等因素有关，这里略去。
    如果将该算法修改为 $n\ge n_0$ 时采用分治法，$n$ 较小时采用蛮力法，则在交点处的性能几乎翻倍。在 $n_0-1$ 处的性能保持不变(甚至更差，因为增加了开销)。

4. 1-4

  假定修改最大子数组问题的定义，允许结果为空子数组，其和为 0 。你应该如何修改现有算法，使它们能允许空子数组为最终结果？

  解：在算法的最后判断最大子数组的总和是否小于零，如果小于零则返回空子数组。

4. 1-5

  使用如下思想为最大子数组问题设计一个非递归的、线性时间的算法。 从数组的左边界开始，由左至右处理，记录到目前为止已经处理过的最大子数组。若已知 $A[1..j]$ 的最大子数组，基于如下性质将其扩展为 $A[1..j+1]$ 的最大子数组：$A[1..j+1]$ 的最大子数组要么是 $A[1..j]$ 的最大子数组，要么是某个子数组 $A[i..j+1](1\le i\le j+1)$。在已知 $A[1..j]$ 最大子数组的情况下，可以在线性时间内找出形如 $A[i..j+1]$ 的最大子数组。

  解：代码如下：
ITERATIVE-FIND-MAXIMUM-SUBARRAY(A)

n = A.length
max-sum = -∞
sum = -∞
for j = 1 to n
    currentHigh = j
    if sum > 0
        sum = sum + A[j]
    else
        currentLow = j
        sum = A[j]
    if sum > max-sum
        max-sum = sum
        low = currentLow
        high = currentHigh
return (low, high, max-sum)