找第 k 小的数（快速选择，分治算法）

一、自然语言描述

算法思路借鉴快速排序，采用分治思想：

1. 在当前待处理区间里，任选一个元素作为基准 pivot。
2. 分区（partition）：把区间内小于 pivot 的元素放到 pivot 左边，大于 pivot 的放到右边。分区完成后，pivot 就处在它在有序数组里的正确位置。
3. 假设基准最终下标为pos：
   • 如果 pos == k-1（数组从 0 开始）：基准就是第 k 小元素，直接返回。
   • 如果 pos > k-1：第 k 小在左半区间，递归在左区间查找。
   • 如果 pos < k-1：第 k 小在右半区间，递归在右区间查找，并且更新 k，在右区间找第 k-pos-1 小。

伪代码如下：

// a：数组，l左边界，r右边界，k：要找第k小（从1开始）
QuickSelect(a, l, r, k):
    if l == r:
        return a[l]
    pos = Partition(a, l, r)     // 分区，返回pivot位置
    lenLeft = pos - l + 1        // 左段元素个数（含pivot）
    if lenLeft == k:
        return a[pos]
    else if k < lenLeft:
        return QuickSelect(a, l, pos-1, k)   // 在左边找第k小
    else:
        return QuickSelect(a, pos+1, r, k - lenLeft) //右边找

Partition 伪代码：

Partition(a,l,r):
    pivot = a[l]    //选最左元素作为基准
    i = l, j = r
    while i<j:
        while i<j and a[j] >= pivot: j--
        a[i] = a[j]
        while i<j and a[i] <= pivot: i++
        a[j] = a[i]
    a[i] = pivot
    return i

二、时间复杂度分析

• 最好时间复杂度 (O(n))
  每次分区的基准刚好把数组切分成大致均等的两部分。每次递归只处理其中一半。
  总代价：(n + n/2 + n/4 + \dots = O(n))。
• 最坏时间复杂度 (O(n^2))
  每次选到的 pivot 都是当前区间的最大值或最小值，每次分区只能去掉 1 个元素。
  递归总代价：(n+(n-1)+(n-2)+\dots=O(n^2))。

如果采用随机选取 pivot，期望时间复杂度可以稳定为(O(n))。

三、对分治法的体会与思考（作业正文）

分治法的核心思想是分、治、合：将一个规模较大的原问题，拆成若干规模更小、结构相同的子问题；递归求解各个子问题；最后把子问题的解合并，得到原问题答案。
在快速选择找第 k 小这个例子里，可以看到分治和普通排序不一样：快速选择不需要把整个数组全部排好序，只需要求解有用的那一侧子问题，另一半直接舍弃，这就是分治带来的优势，减少了不必要的计算。

分治法适用的问题一般具备几个特点：问题可以拆分、子问题独立、子问题解可以合并。但分治法不是万能的，如果划分极度不平衡，就会出现很高的最坏复杂度，就像快速选择每次选到极差基准时，复杂度退化到(O(n^2))。这提醒我们，划分策略会极大影响算法效率。

对比前面矩阵链、挖地雷这类动态规划问题，分治法处理的是相互独立的子问题，而动态规划的子问题大量重叠。分治适合直接递归拆分，动态规划则要保存子问题答案避免重复计算。
通过本章学习我认识到，设计分治算法的重点，不仅是写出递归公式，更要设计高效的划分方案，尽量平衡子问题规模，降低整体时间开销。