Leetcode组队学习——分治

主要思想

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。

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,...)

3道例题

169.多数元素

给定一个大小为 n 的数组，找到其中的多数元素。多数元素是指在数组中出现次数大于 ⌊ n/2 ⌋ 的元素。

你可以假设数组是非空的，并且给定的数组总是存在多数元素。

1.分治法

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        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

本题分治法非最优解，但可以利用分治的思想逐步的求出众数。116ms， 15.2MB

2.排序取中间值

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

中间数必为众数，44ms，15.1MB

3.哈希表

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        dict = {}
        for i in nums:
            if i in dict.keys():
                dict[i] +=1
            else:
                dict[i] = 1  
        max = 0
        for j in dict:
            if dict[j] > max:
                max = dict[j]
                index = j
        return index

第一个循环构建哈希表，字典的键为数组的值，字典的值为出现次数，第二次遍历哈希表找到最终解。56ms，15.2MB

4.摩尔投票法

class Solution:
    def majorityElement(self, nums: List[int]) -> int:
        value = 0
        count = 0
        for i in nums:
            if count == 0:
                value = i
            if i == value:
                count += 1
            else:
                count -= 1
        return value

摩尔投票法（Boyer–Moore majority vote algorithm），也被称作「多数投票法」，算法解决的问题是：如何在任意多的候选人中（选票无序），选出获得票数最多的那个。

算法可以分为两个阶段：

• 对抗阶段：分属两个候选人的票数进行两两对抗抵消
• 计数阶段：计算对抗结果中最后留下的候选人票数是否有效

在本题中，则任选一个数（第一个数）为候选者，遍历列表，不同则减一，相同加一，若总数为0，则重新选取下一个数为候选，以此类推。56ms，15MB

53.最大子序和

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

1.暴力计算

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        length = len(nums)
        max_ = nums[0]
        sum_ = nums[0]
        for i in range(1, length):
        	# 当当前序列加上此时的元素的值大于当前元素的值，说明最大序列和可能出现在后续序列中，记录此时的最大值
            if sum_ + nums[i] > nums[i]:
                max_ = max(max_, sum_+nums[i])
                sum_ = sum_ + nums[i]
            #当当前和小于此时加上的元素时，当前最长序列到此为止。以该元素为起点继续找最大子序列,并记录此时的最大值   
            else:
                max_ = max(max_, nums[i])
                sum_ = nums[i]
        return max_

基本思路就是遍历一遍，用两个变量，一个记录最大的和，一个记录当前的和，52ms

2.分治算法

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        n = len(nums)
        #递归终止条件
        if n == 1:
            return nums[0]
        else:
            #递归计算左半边最大子序和
            max_left = self.maxSubArray(nums[0:len(nums) // 2])
            #递归计算右半边最大子序和
            max_right = self.maxSubArray(nums[len(nums) // 2:len(nums)])
        
        #计算中间的最大子序和，从右到左计算左边的最大子序和，从左到右计算右边的最大子序和，再相加
        max_l = nums[len(nums) // 2 - 1]
        tmp = 0
        for i in range(len(nums) // 2 - 1, -1, -1):
            tmp += nums[i]
            max_l = max(tmp, max_l)
        max_r = nums[len(nums) // 2]
        tmp = 0
        for i in range(len(nums) // 2, len(nums)):
            tmp += nums[i]
            max_r = max(tmp, max_r)
        #返回三个中的最大值
        return max(max_right,max_left,max_l+max_r)

利用分治的思想，列表的最大子序和要么在左半边，要么在右半边，要么是穿过中间，对于左右边的序列，情况也是一样，因此可以用递归处理。中间部分的则可以直接计算出来。180ms，14.3MB

3.动态规划

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        if len(nums) == 0:
            return 0
        if len(nums) == 1:
            return nums[0]
        dp = nums[:]  # 初始化dp数组，dp[i]存储以nums[i]为结尾的子数组的和的最大值
        res = dp[0]
        for i in range(1, len(nums)):
            dp[i] = max(dp[i], dp[i] + dp[i - 1])  # 更新dp[i]
            res = max(res, dp[i]) # 更新全局最大值
        return res

dp[i] 存储的不是从 0 到 i 这个范围内所得到的最大的连续子数组的和，而是以 nums[i] 为结尾的子数组所能达到的最大的和。52ms，14.4MB

50. Pow(x, n)

计算 x 的 n 次幂函数。

1.分治+递归

class Solution:
    def myPow(self, x: float, n: int) -> float:
        def power(x, n):
            if n == 0:
                return 1.0
            temp = power(x, n//2 )
            if n%2 == 1:
                return temp*temp*x
            else:
                return temp*temp
        if n>0:
            return power(x,n)
        else:
            return 1.0/(power(x, -n))

不断除2，需要注意的是要用一个临时变量代替递归函数，否则计算量巨大导致超时。48ms， 13.7MB

2.分治+迭代

class Solution:
    def myPow(self, x: float, n: int) -> float:
        def quickMul(N):
            ans = 1.0
            # 贡献的初始值为 x
            x_contribute = x
            # 在对 N 进行二进制拆分的同时计算答案
            while N > 0:
                if N % 2 == 1:
                    # 如果 N 二进制表示的最低位为 1，那么需要计入贡献
                    ans *= x_contribute
                # 将贡献不断地平方
                x_contribute *= x_contribute
                # 舍弃 N 二进制表示的最低位，这样我们每次只要判断最低位即可
                N //= 2
            return ans
        
        return quickMul(n) if n >= 0 else 1.0 / quickMul(-n)

另一个官方解法，正向计算，每当n是奇数时就单独乘一个x直到遍历结束。复杂度和上述方法一样。

本博客部分内容来源于Datawhale组对学习。