算法第二章——分治算法实践

1.用伪代码描述找第 k 小的数的分治算法
该算法又称快速选择（Quickselect），基于分治思想，借助partition划分函数实现。
算法思想（自然语言）：
在当前数组区间选取一个基准元素 pivot，调用划分函数将区间划分：所有小于等于 pivot 的元素放在左侧，大于等于 pivot 的元素放在右侧，pivot 落在它在有序数组的正确位置 pos。对比 pos 与 k：
如果 pos 等于 k，pivot 就是第 k 小元素；
如果 pos 大于 k，第 k 小元素在左区间，递归搜索左半边；
如果 pos 小于 k，第 k 小元素在右区间，在右区间寻找第“k-pos”小元素。
伪代码：// 主函数：在数组arr[l...r]中找第k小元素（下标从1计数） function findKthSmallest(arr, l, r, k): if l == r: return arr[l] pos = partition(arr, l, r) if pos == k: return arr[pos] else if pos > k: return findKthSmallest(arr, l, pos - 1, k) else: return findKthSmallest(arr, pos + 1, r, k - pos) // 划分函数partition function partition(arr, l, r): pivot = arr[r] i = l - 1 for j from l to r - 1: if arr[j] <= pivot: i = i + 1 swap arr[i], arr[j] swap arr[i+1], arr[r] return i + 1

2.算法时间复杂度分析
最好时间复杂度O(n)：每次划分能够将数组近似对半拆分，递推式T(n)=T(n/2)+O(n）。根据主定理，得到最好时间复杂度为O(n)。
最坏时间复杂度O(n^2)：每次选取的基准都是当前区间的最大值或最小值，划分后一侧仅保留 1 个元素。递推式T(n)=T(n-1)+O(n)，累加计算得到最坏时间复杂度O(n^2)。

3.对分治法的体会和思考
分治法的核心是“分解子问题-求解子问题-合并子问题”：把规模较大的原问题，拆分成多个结构相同、规模更小的子问题；递归求解各个子问题；最后合并子问题结果，得到原问题的解。
寻找第 k 小元素这个例子，让我体会到分治思想不是固定模板，存在灵活的变体。像归并排序这类经典分治算法，需要求解全部子问题再合并结果；而快速选择不需要同时处理左右两个子区间，只递归目标元素所在的一侧，省去不必要的计算，提升效率。
分治的优势很明显：递归实现逻辑清晰，把复杂大问题拆解成简单小问题，降低问题理解难度，并且天然适合并行计算。但分治也有局限：递归会带来栈空间开销，递归深度过大容易栈溢出；算法性能严重依赖划分策略，基准选择不合适时，算法效率会急剧退化。
本章学习让我意识到，分治是一种解决问题的思维，而不是单纯的代码模板。遇到复杂问题，首先可以思考是否可以拆分为同类型的子问题；但不能盲目套用分治，需要结合问题特性选择划分方式，权衡时间、空间开销。