编写算法时,可能因为对自己代码的复杂度的不清晰而导致错失良机,对于普通的递推或者说循环的代码,仅用简单的调和级数或者等差数列和等比数列即可分析,但是对于递归的代码,简单的递归树法并不方便,理解并记下Master定理,可以让事情变得轻松。
写此文以作笔记,如有错误,请联系博主。
Master 定理基本形式
对于一个递归式 T ( n ) = a T ( n b ) + f ( n ) T(n) = aT(\frac{n}{b}) + f(n) T(n)=aT(bn)+f(n),其中:
- a ≥ 1 a \geq 1 a≥1 和 b > 1 b > 1 b>1 是常数;
-
f
(
n
)
f(n)
f(n) 是一个给定的函数,
Master 定理帮助我们确定 T ( n ) T(n) T(n) 的渐进界。
有三种情况:
- 如果 f ( n ) = O ( n c ) f(n) = O(n^c) f(n)=O(nc),其中 c < log b a c < \log_b{a} c<logba, 那么 T ( n ) = Θ ( n log b a ) T(n) = \Theta(n^{\log_b{a}}) T(n)=Θ(nlogba)。
- 如果 f ( n ) = Θ ( n c ) f(n) = \Theta(n^c) f(n)=Θ(nc),其中 c = log b a c = \log_b{a} c=logba, 那么 T ( n ) = Θ ( n c log n ) T(n) = \Theta(n^c\log{n}) T(n)=Θ(nclogn)。
- 如果 f ( n ) = Ω ( n c ) f(n) = \Omega(n^c) f(n)=Ω(nc),其中 c > log b a c > \log_b{a} c>logba,且满足一定的平滑条件(即 a f ( n / b ) ≤ k f ( n ) af(n/b) \leq kf(n) af(n/b)≤kf(n) 对于某个常数 k < 1 k < 1 k<1 和充分大的 n n n), 那么 T ( n ) = Θ ( f ( n ) ) T(n) = \Theta(f(n)) T(n)=Θ(f(n))。
特定的例子
考虑 T ( n ) = 2 T ( n 2 ) + O ( n log n ) T(n) = 2T(\frac{n}{2}) + O(n\log{n}) T(n)=2T(2n)+O(nlogn),这里 a = 2 a = 2 a=2, b = 2 b = 2 b=2, 和 f ( n ) = n log n f(n) = n\log{n} f(n)=nlogn。显然, f ( n ) f(n) f(n) 不符合 Master 定理的标准形式中的 f ( n ) = O ( n c ) f(n) = O(n^c) f(n)=O(nc),因为增长速度比任何 n c n^c nc 形式要快。因此,直接应用标准 Master 定理的三种情况并无法获得解答。
在这种特殊情况下, T ( n ) = 2 T ( n 2 ) + n log n T(n) = 2T(\frac{n}{2}) + n\log{n} T(n)=2T(2n)+nlogn 的时间复杂度实际上是 O ( n ( log n ) 2 ) O(n(\log{n})^2) O(n(logn)2)。如有兴趣请自行查找证明过程。