算法第二章实践作业

1. 找第 k 小数的分治算法描述

该算法通常基于快速排序中的 Partition 划分思想，也叫“快速选择”或 QuickSelect。设数组为 A[p..r]，要找其中第 k 小的数，k 从 1 开始计数。

自然语言描述：

1. 若当前区间 A[p..r] 只有一个元素，则该元素就是答案。
2. 从区间中选一个枢轴元素 pivot。
3. 对区间进行划分，使得：
   • 小于等于 pivot 的元素放在左边；
   • 大于 pivot 的元素放在右边；
   • 同时确定 pivot 最终所在位置 q。
4. 计算 pivot 在当前区间中的排名：
   leftLen = q - p + 1
5. 比较 k 与 leftLen：
   • 若 k == leftLen，则 A[q] 就是第 k 小数；
   • 若 k < leftLen，说明第 k 小数在左半部分，递归在 A[p..q-1] 中找第 k 小；
   • 若 k > leftLen，说明第 k 小数在右半部分，递归在 A[q+1..r] 中找第 k-leftLen 小。

伪代码：

Select(A, p, r, k)
if p == r
return A[p]

q = Partition(A, p, r) // 返回枢轴最终位置
leftLen = q - p + 1

if k == leftLen
return A[q]
else if k < leftLen
return Select(A, p, q - 1, k)
else
return Select(A, q + 1, r, k - leftLen)

Partition(A, p, r)
x = A[r] // 可选：随机选枢轴后交换到 A[r]
i = p - 1
for j = p to r - 1
if A[j] <= x
i = i + 1
swap(A[i], A[j])
swap(A[i + 1], A[r])
return i + 1

实际实现中，通常随机选择一个元素作为枢轴，以尽量避免最坏情况。

2. 时间复杂度分析

设当前问题规模为 n。

一次划分需要扫描当前区间，时间复杂度为：

O(n)

最好时间复杂度：

最好情况下，每次划分后第 k 小数所在的一侧规模迅速减小，例如每次大约缩小为原来的一半：

T(n) = T(n/2) + O(n)

展开得：

T(n) = O(n) + O(n/2) + O(n/4) + ... = O(n)

更极端地，如果第一次划分后枢轴正好就是第 k 小数，则只需一次划分，时间也是 O(n)。

因此最好时间复杂度为：

Θ(n)

最坏时间复杂度：

最坏情况下，每次选择的枢轴都是当前区间的最小值或最大值，并且第 k 小数位于较大的那一侧。例如数组已经有序，而每次都选最后一个元素作为枢轴，则每次只能排除一个元素：

T(n) = T(n-1) + O(n)

展开得：

T(n) = O(n) + O(n-1) + ... + O(1) = O(n^2)

所以最坏时间复杂度为：

O(n^2)

如果使用随机化选择枢轴，则期望时间复杂度为：

O(n)

最坏仍然是 O(n^2)，但出现概率很低。

如果使用“中位数的中位数”算法选择枢轴，即 BFPRT 算法，则可以保证最坏情况下：

T(n) = O(n)

不过其常数较大，实际工程中不一定比随机快速选择更快。

3. 对分治法的体会和思考

找第 k 小数的算法很好地体现了分治法的核心思想：分解、求解、合并。它先通过划分把原问题分解成两个子区间，然后根据第 k 小数的位置，只递归进入其中一个子区间，而不是两个都处理。严格来说，它更接近“减治”，因为每次只解决一个子问题。

从中可以得到几点体会：

1. 划分质量决定效率
   快速选择的关键在于枢轴选择。如果枢轴把数组划分得比较均衡，问题规模快速下降，时间复杂度接近 O(n)；如果划分极不均衡，就会退化为 O(n^2)。这说明分治算法中，如何划分子问题非常重要。

2. 不需要解决所有子问题
   快速排序需要递归处理左右两部分，因此平均复杂度是 O(n log n)；而找第 k 小数只需要进入包含答案的一侧，因此平均复杂度可以降到 O(n)。这说明分治并不一定要处理所有子问题，合理“剪枝”可以显著提高效率。

3. 随机化与最坏情况保证的权衡
   随机选择枢轴实现简单、常数小、期望性能好，但最坏情况仍是 O(n^2)。中位数的中位数算法可以保证最坏 O(n)，但实现复杂、常数大。实际应用中常根据需求选择：追求简单高效可用随机快速选择，追求理论最坏保证可用 BFPRT。

4. 分治法不仅是递归，更是问题规模的缩减
   分治法有效的关键在于子问题规模要显著小于原问题。如果每次只减少一个元素，就会退化。因此设计分治算法时，要关注递归式，例如：

T(n) = T(n/2) + O(n)

与

T(n) = T(n-1) + O(n)

的差别是巨大的。

总之，找第 k 小数的分治算法让我更深刻地理解了：分治法的核心不只是“分”，更在于“如何分”和“分完之后如何舍弃无关部分”。好的划分策略和合理的递归结构，是分治算法高效的关键。