分治算法描述（快速选择找第 k 小）

一、分治算法描述（快速选择找第k小）

1. 自然语言描述

本算法基于快速排序的划分思想，采用分治策略实现平均$(O(n))$复杂度查找第$k$小数：

1. 划分（partition）**：在当前数组区间$([left,right])$选取基准元素pivot，将区间划分成两部分：左侧所有元素≤pivot，右侧所有元素≥pivot；划分完成后基准落在其有序数组的正确下标$x$。
2. 分治判断
   • 若基准下标$x$恰好等于目标下标$k-1$（数组从0开始，第$k$小对应下标$k-1$），基准就是答案，直接返回；
   • 若$x<k-1$：第$k$小元素只存在于右区间$([x+1,right])$，递归处理右区间；
   • 若$x>k-1$：第$k$小元素只存在于左区间$[left,x-1]$，递归处理左区间。
3. 递归边界：区间仅存一个元素（$(left==right)$），该元素即为所求。

2. 伪代码

// 划分函数，返回基准最终下标
partition(a[], left, right):
    mid = left + (right - left) / 2
    pivot = a[mid]
    s = 空列表(存≤pivot)
    m = 空列表(存>pivot)
    for i = left to right:
        if i == mid: continue
        if a[i] <= pivot: s.append(a[i])
        else: m.append(a[i])
    // 回填数组
    sh = s长度
    for i = 0 to sh-1: a[left+i] = s[i]
    a[left + sh] = pivot
    for j = 0 to m长度-1: a[left+sh+1+j] = m[j]
    return left + sh

// 分治查找函数，k_target为目标下标(第k小对应k-1)
find(a[], left, right, k_target):
    if left == right:
        return a[left]
    x = partition(a, left, right)
    if x == k_target:
        return a[x]
    elif x < k_target:
        return find(a, x+1, right, k_target)
    else:
        return find(a, left, x-1, k_target)

// 主流程
输入n, k
输入数组a
res = find(a, 0, n-1, k-1)
输出res

二、时间复杂度分析

1. 最好时间复杂度：$(O(n))$
   每次划分的基准恰好将区间均分，仅需递归处理一半子区间。总运算量为$n + \frac{n}{2} + \frac{n}{4} + ... ≈ 2n$，线性复杂度$(O(n))$。
2. 最坏时间复杂度：$O(n^2)$
   每次选取的基准为区间最大/最小值，划分后仅剔除1个元素，递归规模仅减少1。总运算量$n+(n-1)+(n-2)+... = \frac{n(n+1)}{2}$，平方复杂度$O(n^2)$。

三、对分治法的体会与思考

1. 分治核心逻辑：分、治、合
   分治三步为拆分大问题、递归求解子问题、合并子问题解。本题是特殊分治：无需合并，划分后只需递归求解单侧子区间，直接舍弃另一半，大幅减少计算量，这是快速选择效率优于全排序的关键。
2. 划分质量决定算法效率
   分治算法性能高度依赖拆分方式。本算法中基准选取直接决定复杂度：均衡划分可达线性时间，极差划分会退化到平方级；随机选取基准可大幅降低最坏情况出现概率。
3. 分治的优势：避免冗余计算
   若先完整排序再取第$k$小，复杂度为$O(n\log n)$；而快速选择只需要定位目标元素，不需要完成全区间排序，跳过大量无关元素处理，体现分治“缩小问题规模、减少无效运算”的优势。
4. 适用场景总结
   分治法适合原问题可拆分为结构相同、相互独立的子问题的场景，常通过递归实现。二分查找、快速排序、归并排序、快速选择都是典型分治应用；其中仅需单侧递归的分治算法，通常时间效率更优。