麻省理工公开课算法导论（一）：peak finder

前言

本篇来自于笔者学习MIT的公开课算法导论的学习笔记，仅仅是我个人接受课程教育后，进行的学习笔记，可能理解并不到位，仅供参考。

课程视频地址：
Lecture 1: Introduction and Peak Finding

Peak Finder

Lecture Overview

• Administrivia
• Course Overview
• “Peak finding” problem — 1D and 2D versions

Peak Finder

One-dimensional Version（一维版本）

Position 2 is a peak if and only if b ≥ a and b ≥ c. Position 9 is a peak if i ≥ h.

峰值查找算法，该算法的含义为：给定一个数组，查找一个元素，满足其左边的元素与右边的元素均小于其值，那么该元素就是峰值元素。
即给定数组a，当在a中满足a[n - 1] <= a[n] >= a[n+1]，那么n所在位置的元素，就是峰值元素。

首先最基本的思路，我们有两种方式：

• 第一种：从数组的最左侧进行查找，移动指针，判断左右元素是否均小于指针位置的元素，如果是，那么该值就是峰值元素；
• 第二种：从数组的最右侧进行查找，方式一致；
  
  按照这种解法，那么该算法的时间复杂度为O(n)，如果我们的数组特别大，其中存在100000个元素的话，那么它的性能会非常的低下。

我们来换一种思路：

What if we start in the middle? For the configuration below, we would look at n/2 elements.
Would we have to ever look at more than n/2 elements if we start in the middle, and choose
a direction based on which neighboring element is larger that the middle element?

• If a[n/2] < a[n/2 − 1] then only look at left half 1 . . . n/2 − − − 1 to look for peak
• Else if a[n/2] < a[n/2 + 1] then only look at right half n/2 + 1 …n to look for peak
• Else n/2 position is a peak: WHY?
  

扫盲区，高手请无视：

上面的公式中出现了大T，我们一般常见的时间复杂度和教科书中最常出现的是大O，那这个大T是个啥呢？

A、大O的定义：
　　如果存在正数c和N，对于所有的n>=N，有f(n)<=c*g(n)，则f(n)=O(g(n))
B、Big Omega的定义
　　如果存在正数c和N，对于所有的n>=N，有f(n)>=c*g(n)，则f(n)=Omega(g(n))
C、Big Theta的定义
　　如果存在正数c1，c2和N，对于所有的n>=N，有c1*g(n)<=f(n)<=c2*g(n)，则f(n)=Theta(g(n))
（友情提示：大O和大Omega主要是>=和<=的区别）

好吧，好像还是有点抽象哈，那么再简单点说：
1、O是一个算法最坏情况的度量（悲观估计）
2、Big Omega是最好情况的度量（乐观估计）
3、Big Theta表达了一个算法的区间，不会好于A，不会坏于B（中性估计）

更加详细的解释，建议参考这篇：
科普一下算法的度量——Big O, Big Omega, Big Theta以及Udi Manber的大OO

前两种解法都是从边界开始破解，那么我们换一种思路，如果从中间的位置开始查找呢？假定一个数组中存在N个元素，那么中间位置的元素为N/2。

第三种：
这里我们采用二分法（Divide & Conquer）的思想，对于给定数组a，其中存在N个元素，其中间元素为a[N/2]，如果存在：

a[N/2 - 1] > a[N/2] 

那么则在a[N/2]的最左侧开始寻找峰值元素，查找范围为1....N/2，而如果存在：

a[N/2 + 1] > a[N/2]

那么则在a[N/2]的最右侧开始寻找峰值元素，查找范围为N/2 + 1。

如果这两种情况均未满足，那么则可以得到结论，N/2就是峰值元素。

根据上面的推导公式，该这种方式下的算法时间复杂度为O(${\log }_2(n)$)。

当N等于1000000时，两种算法的运行速度差距极大，在python中，O(n)的执行时间为13秒，而O(${\log }_2(n)$)的执行时间为0.001秒。

下面给出Java版代码：

public class PeakFinder {

    public static void main(String[] args) {
        int[] arr1D = {1, 3, 2, 1, 5, 6, 9, 2};
        System.out.println(peakFinding1D(arr1D));
    }

    /**
     * 一维的峰值查找，核心思路：
     * 1、首先查找数组的中间值a[mid];
     * 2、判断a[mid]是否大于a[mid+1]，大于的话对于数组前mid项继续1的步骤;
     * 3、否则的话，判断a[mid]是否大于a[mid-1]，大于的话对于数组mid项后面的数组继续1的步骤;
     * 4、不满足2和3的话，则证明元素a[mid]就是峰值，返回即可.
     * 时间复杂度：O(logn)
     * @param arr
     * @return
     */
    private static int peakFinding1D(int[] arr) {
        int length = arr.length;
        int mid = (int)Math.floor(length / 2);

        if (length == 1) {
            return arr[0];
        } else if (length == 2) {
            return arr[0] > arr[1] ? arr[0] : arr[1];
        }
        if (arr[mid + 1] > arr[mid]) {
            return peakFinding1D(Arrays.copyOfRange(arr, mid, length));
        }
        if (arr[mid - 1] > arr[mid]) {
            return peakFinding1D(Arrays.copyOfRange(arr, 0, mid));
        }
        return arr[mid];
    }
}

Two-dimensional Version（二维版本）

OK，上面我们讨论了一维数组的情况，那么下面我们再来看一下二维数组的情况。
假定存在一个n * m的二维矩阵，那么在矩阵中，我们又该如何去界定峰值元素呢？

可以看到上图的二维矩阵，其中存在了5个元素，当元素a满足了：
a >=b, a >=d, a>=c, a>=e时，元素a即为峰值元素。

那么，我们如何去寻找二维矩阵中的峰值元素，最暴力的思路，是循环寻找，即所谓的贪心算法（Greedy Ascent Algorithm）。

在矩阵中找到一个元素，指定一个方向，进行循环查找，直到找到峰值元素：

该种方式可以达成我们的诉求，但是在最糟糕的情况下，其时间复杂度度为：O(mn)，当m = n时，时间复杂度为O($n^2$)。（这里教授没有对贪心算法进行详细的介绍，暂且接受这个结论）

显而易见，这个时间复杂度并不是可以接受的，当n值特别大时，执行时间是非常冗长的。

OK，让我们再来换一种思路，刚刚在一维的情况下，已经找到了较好的解决方案，那么我们是否可以将问题简化，将二维矩阵转化为一维数组呢？

答案是可以的。

我们在二维矩阵中选定一行i，并找到列的中心点j = m / 2，像这样：

由此，我们将二维矩阵转化为一维数组，我们可以在i行中寻找峰值元素，时间复杂度为O(${\log }_2(n)$)。

但是这并没有结束，因为我们只是找到了第i行中的峰值元素，我们无法确认它是否是真正的峰值元素。

可以参考上图所示，按照上面的寻找方式，我们可以发现14元素是其所在行的峰值元素，但是它并不是它所在列的峰值元素。

顺着这个思路，我们再进一步：
1、选定一个中间列j = m / 2，寻找该列中最大的元素，那么该元素的坐标为(i, j)；
2、比较该最大值再行进行比较(i, j − 1),(i, j),(i, j + 1)；
3、如果存在(i, j − 1) > (i, j)， 对前面的列进行递归1；
4、如果存在(i, j) < (i, j + 1)，对后面的列进行递归1;
5、不满足3和4，则该值就满足二维峰值，返回即可。

假定存在二维矩阵，存在n行m列，我们推导该方法的算法时间复杂度：

即最坏情况下的时间复杂度为：O(n${\log }_2(m)$)。

下面给出Java版代码：

public class PeakFinder {

    public static void main(String[] args) {
        int[][] arr2D = {{12, 11, 4, 7}, {14, 13, 22, 21}, {15, 9, 11, 17}, {16, 17, 19, 20}};
        System.out.println(peakFinding2D(arr2D, 0, arr2D.length));
    }

    /**
     * 二维的峰值查找，核心思路是将二维转化为一维，然后求解：
     * 1、查找中间列的最大值(i, j);
     * 2、比较该最大值在行进行比较(i, j − 1),(i, j),(i, j + 1);
     * 3、如果(i, j − 1) > (i, j)， 对前面的列进行递归1;
     * 4、如果(i, j) < (i, j + 1)，对后面的列进行递归1;
     * 5、不满足3和4，则该值就满足二维峰值，返回即可.
     * @param arr
     * @return
     */
    private static int peakFinding2D(int[][] arr, int start, int end) {
        int mid = (int)Math.ceil((start + end) / 2);

        //查找中间列中的最大值元素所在的行
        int maxIndex = findMaxIndex(arr, mid);

        int maxIndexValue = arr[maxIndex][mid];

        if (mid == 0 || mid == arr.length - 1) {
            return maxIndexValue;
        }

        if (arr[maxIndex][mid + 1] > maxIndexValue) {
            return peakFinding2D(arr, mid, end);
        }

        if (arr[maxIndex][mid - 1] > maxIndexValue) {
            return peakFinding2D(arr, start, mid);
        }
        return arr[maxIndex][mid];
    }

    /**
     * 查找某一列的最大值
     * @param arr
     * @param columnNum
     * @return
     */
    private static int findMaxIndex(int[][] arr, int columnNum) {
        int length = arr.length;
        int index = 0;
        int max = arr[index][columnNum];
        for (int i = 0; i < length; i++) {
            if (arr[i][columnNum] > max) {
                max = arr[i][columnNum];
                index = i;
            }
        }
        return index;
    }
}