这是我的递归函数:
function abc(n):
if n == 0
return xyz(n)
for i = 1 to n
print(xyz(n))
return abc(n/2) + abc(n/2)
和 xyz() 是 ϴ(n^3)。大师定理在这里有效吗?如果是,我将如何写?
最佳答案
主定理涉及这种形式的递归关系:
T(n) = a * T(n/b) + f(n)
T
作为递归过程,a
我们将输入分成的子问题数量 n
, n/b
每个子问题的大小和 `f(n) 将输入划分为子问题和结果组合的成本。
如果n == 0
然后 n/b
变为 0,a
也变为 0 .这给我们留下了:
T(0) = 0 + f(0)
由于不再有递归,它基本上归结为 f(0)
.在您的假设情况下,这具有复杂性 ϴ(n^3)。
自 f(n)
是 n
的除法成本进入a
子问题和结果的组合,f(0)
通常成本为 0 或常数。如果函数f(n)
复杂度为 ϴ(n^3),那么实际上是 n == 0
这仍然导致输入大小的成本为 0。
主定理提供了关于 T(n)
的渐近界的信息,取决于 f(n)
的复杂性, a
和 b
.这取决于f(n)
的复杂程度如何可以使用采用 logb(a)
的形式表示(以 a 的 b 为底记录)。 0 的对数未定义,b > 0。
归根结底,询问主定理是否适用于某些特定输入是没有意义的。此外,主定理无论如何都成立,它只是说明取决于f(n)
。你可以对 T
的复杂性做出一些声明或不。这取决于 a
和 b
,所以如果没有这些信息,询问是没有意义的。如果你的f(n)
在基本情况之外也有 O(n^3) (n > 0) 那么你可以根据 3 与 a
的关系来声明 T和 b
.例如,如果 3 < logb(a)
你会确定 T 是 ϴ(n^(logb(a))。
假设 a
在你的算法中是 2^n
,那么主定理就不能再用来说明 T 的复杂性。
编辑
在你的问题编辑之后,你的递归过程的形式变成了这样:
T(n) = 2 * T(n/2) + f(n)
所以 a == 2
和 b == 2
是你的情况下的参数,因为你将输入分成两个子问题,每个子问题得到一个输入,该输入是进行递归的输入的一半。两个递归调用的组合是恒定的(一个简单的加法 abc(n/2) + abc(n/2)
)并且问题的划分也是微不足道的,但是在你的情况下这部分可以模拟一个 ϴ(n^4) 算法来将输入划分为子问题:
for i = 1 to n
print(xyz(n))
请注意它是 ϴ(n^4) 因为您说的是 xyz(n)
是 ϴ(n^3) 并且您在循环中重复它 n 次。所以你的 f(n) = ϴ(n^4)
.
主定理不能真正说明这一点。但是,如果 f(n) = Ω(n^4)
(注意这里的 omega),然后 4 > log2(2)
(在您的情况下,logb(a) 与 b = 2 和 a = 2)。为了对 T 的复杂性作出陈述,现在必须满足另一个条件,即正则性条件。它指出 a * f(n/b) <= k * f(n)
对于某些 k < 1 和足够大的 n 必须为真。
所以这给了我们 2 * f(n/2) <= k * f(n)
.这适用于 k < 1/8。最后,让我们声明 T = ϴ(f(n))
, 所以 T = ϴ(n^4)
.
这意味着如果您的 f(n)(带有 xyz 调用的循环)可以被证明是 Ω(n^4)(再次注意 omega 而不是 theta),则最后一部分为真。由于 omega 是下界,而您的 f(n) = ϴ(n^4),那应该是正确的。
关于algorithm - 如果基本情况不是在恒定运行时而是在多项式运行时运行,那么主定理是否适用?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43512872/