我的第二章作业学习

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。

4. 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。