算法第二章实践作业

1. 找第 k 小的数的分治算法描述
   自然语言描述：
   在当前区间 a[left...right] 中选择一个基准元素（比如选 a[left]）。
   调用 partition 函数，以基准元素将区间划分为两部分：左段所有元素 ≤ 基准，右段所有元素 ≥ 基准，基准元素最终落在位置 p。
   计算基准元素是当前区间的第几个数：rank = p - left + 1。
   比较 rank 和 k：
   如果 rank == k，说明 a[p] 就是第 k 小的数，直接返回。
   如果 rank > k，说明第 k 小的数在左段，递归在 a[left...p-1] 中找第 k 小。
   如果 rank < k，说明第 k 小的数在右段，递归在 a[p+1...right] 中找第 k - rank 小。
2. 时间复杂度分析
   最好情况：O(n)
   每次划分都能将区间大致平分为两半，递归式为 T(n) = T(n/2) + O(n)。根据主定理，T(n) = O(n)。也就是说每次只递归一边，问题规模减半，总代价是 n + n/2 + n/4 + … = 2n = O(n)。
   最坏情况：O(n²)
   每次划分都极不平衡，基准元素是当前区间的最大值或最小值，导致一边为空，另一边只减少一个元素。递归式为 T(n) = T(n-1) + O(n)，展开后为 n + (n-1) + (n-2) + … + 1 = O(n²)。这种情况发生在数组已有序（或逆序）且固定选首元素为基准时。
   平均情况：O(n)
   随机情况下，划分点大致均匀分布，期望递归深度为对数级，总期望代价为 O(n)。
3. 对分治法的体会和思考
   第一，分治的核心是"分而治之"。 把一个大问题拆成若干个结构相同的小问题，递归求解后再合并结果。找第 k 小的数、归并排序、最大子段和，本质上都是这个思路。
   第二，划分的质量直接决定效率。 找第 k 小的数之所以最坏会退化到 O(n²)，就是因为划分可能极度不平衡。而归并排序每次固定对半切，所以能稳定保持 O(n log n)。这让我意识到，分治算法的设计关键在于如何"分"——分得越均衡，效率越高。
   第三，分治不一定需要合并。 找第 k 小的数只需要递归其中一边，不需要合并；而归并排序和最大子段和都需要合并步骤。这说明分治有三种形态：只递归一边（如快速选择）、两边都递归但不合并（如某些遍历）、两边都递归且需要合并（如归并排序）。
   第四，分治和递归密不可分。 写分治算法时一定要先想清楚终止条件是什么，否则容易无限递归。比如找第 k 小的数，终止条件是区间只剩一个元素；归并排序的终止条件是区间长度为 1。