在我的算法和数据结构课程中，引入了第一个 divide-and-conquer algorithm 即 merge sort。
在为作业实施算法时，我想到了几个问题。
使用分而治之范式实现的算法是否具有 O(nlogn) 的时间复杂度？
是不是该方法中的递归部分有能力将运行在 O(n^2) 的算法浓缩为 O(nlogn)？
首先是什么让这样的算法在 O(nlogn) 中运行？
对于 (3)，我假设这与递归树和可能的递归数有关。有人可能会用一个在 O(nlogn) 中运行的简单分治算法来展示，实际上是如何计算复杂性的？
干杯， 安德鲁
【问题讨论】：
标签： performance algorithm big-o divide-and-conquer
我认为您的问题的所有答案都可能来自Master Theorem 它有点告诉您对于您拥有的几乎所有分而治之的解决方案，您的复杂性是什么，是的，它必须使用递归树来做所有事情，通过玩参数你会发现一些分而治之的解决方案不会有 O(nlogn) 复杂度，实际上有divide and conquer algorithms that have O(n) complexity。
就问题2而言，并非总是如此，事实上，有些问题被认为不可能比O(n^2)更快地解决，这取决于问题的性质。
以 O(nlogn) 运行并且我认为具有非常简单、清晰和有教育意义的运行时间分析的算法示例是 MergeSort。可以从下图把握：
所以每个递归步骤将输入分成两部分，然后征服部分花费 O(n)，因此树的每一层花费 O(n)，棘手的部分可能是递归级别（树高）为 logn。这或多或少很简单。所以在每一步中，我们将输入分成两部分，每部分 n/2 个元素，并递归地重复，直到我们有一些恒定大小的输入。因此，在第一级，我们除以 n/2，在下一个 n/4，然后是 n/8，直到我们达到一个恒定大小的输入，这将是树的一个叶子，以及最后一个递归步骤。
所以在第 i 个递归步骤，我们将 n/2^i 相除，所以让我们在最后一步找到 i 的值。我们需要 n/2^i = O(1)，这是在 2^i = cn 时实现的，对于某个常数 c，我们从两边取以 2 为底的对数，得到 i = clogn。所以最后一个递归步骤将是第 clogn 步，因此树具有 clogn 高度。
因此，对于每个 clogn 递归（树）级别，MergeSort 的总成本将是 cn，这给出了 O(nlogn) 复杂度。
一般来说，只要递归步骤具有 O(n) 复杂度，您就可以确信您的算法将具有 O(nlogn) 复杂度，并且您可以划分为 b 个大小为 n/b 的问题，甚至更一般，如果这些部分是 n 的线性分数，加起来为 n。在不同的情况下，您很可能会有不同的运行时。
回到问题 2，在 QuickSort 的情况下，一个可能从 O(n^2) 到 \Theta(nlogn) 正是因为平均随机情况实现了一个很好的分区，尽管运行时分析比这更复杂.
【讨论】：
不，分而治之不能保证 O(nlogn) 性能。这完全取决于每次递归如何简化问题。
在归并排序算法中，原问题分为两半。然后对结果执行 O(n) 操作。这就是 O(n...) 的来源。
这两个子操作中的每一个现在都有自己的n，它的大小是原来的一半。每次你递归时，你又把问题一分为二。这意味着递归数将为 log2(n)。这就是 O(...logn) 的来源。
【讨论】：
使用分而治之范式实现的算法是否具有 O(nlogn) 的时间复杂度？
平均而言，Quicksort 和 Mergesort 的时间复杂度为 O(n log(n))，但不一定总是这样。 Big O Cheat Sheet
是不是该方法中的递归部分有能力将运行在 O(n^2) 到 O(nlogn) 的算法浓缩？
不仅仅是表面上看到的，它还取决于其他因素，例如每个递归调用与输入相关的操作数。
我强烈推荐这个video，在那里你可以看到为什么 MergeSort 是 O(n log(n))。
是什么让这样的算法首先在 O(nlogn) 中运行。
同样，这只是一个算法消耗多少时间与输入大小相关的指标，因此说算法的时间复杂度为 O (n log (n)) 并没有提供任何信息关于算法是如何实现的，它只是说当输入开始增加很多时，使用的时间不会成正比增加，而是需要更多的时间和更多。
【讨论】：