前置知识:无
一、思想上理解递归
我们以一个找最大值函数的例子来理解递归:
public static int maxValue(int arr[]){
return f(arr,0,arr.length-1);
}
public static int f(int arr[],int left,int right){
if(left==right)
return arr[left];
int m=(left+right)/2;
int lmax=f(arr,left,m);
int rmax=f(arr,m+1,arr.length-1);
return Math.max(lmax, rmax);
}
public static void main(String[]args){
int arr[]={1,5,9,2,6,7,4,3,8};
System.out.println(maxValue(arr));
}
这段代码利用递归寻求数组中的最大值。首先将数组划分为两个部分,分别求两个部分的最大值,接着再从这两个部分里各自再划分成两个部分,直到左右边界相等时返回。
二、实际上理解递归
递归主要依靠系统栈工作。当程序执行到递归代码时,系统栈会将参数位、临时变量、等待结果(子过程提供)压入栈里,然后这个函数就销毁了(反正栈里保存了信息以后可以重建出来)。
当函数的两行递归代码都执行完毕之后,程序开始进入下面的比较大小返回过程,同时返回之后这一层栈也被销毁了。
多复杂的递归都可以用决策图搞明白,我们初学者一定要多画递归决策图。
三、实际应用中的递归
1.任何递归都一定可以改成非递归,不用系统压栈(系统栈空间),自己压栈即可(内存空间)
2.工程中递归几乎一定要改成非递归,除非确定数据量再大递归也不深,比如归并排序、快速排序、线段树、很多平衡树等。
3.算法或比赛中能通过就不必改成非递归。
四、master公式
所有子问题规模相同的递归才能用master公式,T(n)=a*T(n/b)+O(n^c),a,b,c是常数。
如果log(b,a)<c,复杂度为O(n^c);
如果log(b,a)>c,复杂度为O(n^log(b,a));
换言之,这两种情况都是谁大就听谁的!
如果log(b,a)==c,复杂度为O(n^c*logn);
我们以上面求数组最大值为例,分析一下master公式:
我们一共有N个数,我们是先左侧一半数据分析再右侧一半数据分析,那么有等式为:T(N)=T(N/2)+T(N/2)+O(1)=2*T(N/2)+O(1)。
这个O()指的是除了递归以外的其它行为的时间复杂度,本例中时间复杂度为O(1)。
a=2,b=2,c=0; log(b,a)>c。那么上述代码时间复杂度为O(n^1)=O(n)
现在我更改策略,左侧2/3范围求最大值,右侧2/3求最大值,这样T(N)=T(2N/3)+T(2N/3)+O(1)=2*T(2N/3)+O(1).
a=2,b=3/2,c=0 log(b,a)>c,时间复杂度为O(n^log(3/2,2));
我们再更改策略,仍然是左右一半数据量求最值,但是这次求出最值之后,我要打印一遍所有数据,那么现在公式变为:
T(N)=T(N/2)+T(N/2)+O(1)=2*T(N/2)+O(n)。
a=2,b=2,c=1; log(b,a)=c.那么上述代码时间复杂度为O(n^1*logn)=O(nlogn).
不等规模没办法用master公式,必须调用的子过程都是等规模的我们才能用master公式!
补充:T(n)=2*T(n/2)+O(n*logn),时间复杂度是O(n*logn*logn),证明过程见算法导论。