Divide & Conquer 分治

Jun 19, 2026

Divide & Conquer 分治

核心结论

分治策略把一个规模为 $n$ 的问题拆成若干个规模更小、结构相同或相近的子问题，递归求解子问题，再把子问题的解合并成原问题的解。

标准流程是：Divide → Conquer → Combine。

1. 基本思想

分治法（Divide and Conquer）是一种算法设计范式，适合处理可以被递归拆解的问题。

设原问题规模为 $n$ 。若它可以被分成 $a$ 个规模约为 $n / b$ 的子问题，并且划分与合并的额外代价为 $f(n)$ ，则常见递归式为：

T(n)=aT(n/b)+f(n)

其中：

$a$ ：子问题个数；
$n/b$ ：每个子问题的规模；
$f(n)$ ：划分问题、合并答案以及其他非递归工作的总代价。

分治的本质

分治不是“随便递归”，而是利用问题的自相似结构：大问题的解可以由若干个小问题的解构造出来。

2. 具体过程

分治算法通常包含三个阶段。

2.1 Divide：分解

将规模为 $n$ 的原问题划分为若干个规模更小的子问题。

常见分解方式：

将数组分成左右两半；
选取一个主元，将数组按主元划分；
将矩阵分成若干子矩阵；
将搜索区间缩小到一半。

2.2 Conquer：解决

递归地解决子问题。

当子问题规模足够小时，直接求解。该直接求解情形称为递归基（base case）。

2.3 Combine：合并

将子问题的解合并为原问题的解。

不同算法的合并代价差异很大：

Merge Sort 归并排序的合并需要线性时间；
Quick Sort 快速排序的合并几乎是平凡的，关键代价在 partition；
Binary Search 二分查找每次只递归进入一个子问题，合并是平凡的；
Strassen Algorithm Strassen矩阵乘法通过减少递归乘法次数降低复杂度。

3. 通用伪代码模板

DIVIDE-AND-CONQUER(x):
    if size(x) <= threshold:
        return DIRECT-SOLVE(x)

    subproblems <- DIVIDE(x)
    answers <- empty list

    for each subproblem p in subproblems:
        answers.append(DIVIDE-AND-CONQUER(p))

    return COMBINE(answers)

0-based 实现习惯

写代码时建议统一使用左闭右闭 [low, high] 或左闭右开 [low, high) 区间。不要在同一算法中混用两种边界约定。

4. 需要问题具有的性质

4.1 可分解性

原问题必须能被拆成规模更小的子问题。

形式上，需要能找到一种映射：

P(n) \rightarrow P(n_1),P(n_2),\dots,P(n_a)

并且满足：

n_i < n

否则递归不会收敛。

4.2 子问题结构相同或相近

子问题最好与原问题属于同一类问题，这样才能递归使用同一个算法。

例如：

排序数组的子数组仍然是排序问题；
在有序数组的一半中查找元素仍然是查找问题；
子矩阵乘法仍然是矩阵乘法问题。

4.3 子问题相对独立

分治法最适合子问题之间基本独立的情形。

如果子问题大量重叠，朴素分治会重复计算，通常应考虑：

Dynamic Programming 动态规划；
记忆化搜索；
自底向上递推。

典型反例是朴素递归 Fibonacci：

F_n=F_{n-1}+F_{n-2}

虽然它形式上递归拆分，但子问题高度重叠，因此朴素递归会产生指数级重复计算。

4.4 合并过程可行且代价可控

即使子问题能高效求解，如果合并代价过高，整体算法也未必高效。

分析时必须同时考虑：

\text{总复杂度}=\text{递归子问题代价}+\text{划分与合并代价}

4.5 子问题规模应持续下降

每层递归必须让问题规模严格变小。

否则会出现：

无限递归；
无法触达递归基；
复杂度分析中的递归式不成立。

4.6 划分尽量均衡

均衡划分通常能降低递归树高度。

例如：

Merge Sort 归并排序总是近似二分，递归深度为 $\Theta(\log n)$ ；
Quick Sort 快速排序若每次划分为 $0$ 和 $n-1$ ，最坏时间会退化为 $\Theta(n^2)$ ；
若快排划分较均衡，期望或平均表现通常接近 $\Theta(n\log n)$ 。

分治不等于一定高效

分治只是设计策略。最终复杂度取决于子问题数量、子问题规模、划分/合并代价以及递归是否重复计算。

5. 复杂度分析框架

5.1 写出递归式

分析分治算法时，第一步通常是写出递归式。

常见形式：

T(n)=aT(n/b)+f(n)

更一般的形式可以是不均衡拆分：

T(n)=T(k)+T(n-k-1)+f(n)

例如 Quick Sort 快速排序的复杂度取决于 partition 后左右子数组的规模。

5.2 选择求解方法

常见方法：

Substitution Method 代入法：先猜测，再用数学归纳法证明；
Recursion Tree 递归树：逐层计算代价并求和；
Master Theorem 主定理：适用于 $T(n)=aT(n/b)+f(n)$ 这一类标准递归式。

5.3 常见递归式

递归式	典型场景	复杂度
$T(n)=2T(n/2)+\Theta(n)$	Merge Sort 归并排序	$\Theta(n\log n)$
$T(n)=T(n/2)+\Theta(1)$	Binary Search 二分查找、Fast Power 快速幂	$\Theta(\log n)$
$T(n)=8T(n/2)+\Theta(n^2)$	普通分治矩阵乘法	$\Theta(n^3)$
$T(n)=7T(n/2)+\Theta(n^2)$	Strassen Algorithm Strassen矩阵乘法	$\Theta(n^{\log_2 7})$
$T(n)=T(k)+T(n-k-1)+\Theta(n)$	Quick Sort 快速排序	取决于划分平衡性

6. 典型例子

说明

本节只给出算法引用和分治结构，不展开具体算法细节。具体过程见对应笔记。

6.1 Merge Sort 归并排序

Divide：将数组分成左右两半；
Conquer：递归排序左右子数组；
Combine：线性合并两个有序子数组；
递归式： $T(n)=2T(n/2)+\Theta(n)$ 。

6.2 Quick Sort 快速排序

Divide：选取 pivot，通过 partition 划分为小于等于 pivot 和大于等于 pivot 的两部分；
Conquer：递归排序左右子数组；
Combine：平凡合并，因为 partition 已经把 pivot 放到正确位置；
关键点：划分是否均衡决定复杂度表现。

6.3 Binary Search 二分查找

Divide：检查中间元素；
Conquer：只递归进入可能包含目标值的一半；
Combine：平凡；
前提：输入必须有序；
递归式： $T(n)=T(n/2)+\Theta(1)$ 。

6.4 Fast Power 快速幂

Divide：把 $a^n$ 转换为 $a^{\lfloor n/2\rfloor}$ 的子问题；
Conquer：递归求半规模幂；
Combine：平方，若 $n$ 为奇数则额外乘一次 $a$ ；
递归式： $T(n)=T(n/2)+\Theta(1)$ 。

6.5 Maximum Subarray 最大子数组

Divide：将数组分成左右两半；
Conquer：分别求左半、右半最大子数组；
Combine：求跨越中点的最大子数组；
关键点：原问题最优解只可能在左侧、右侧或跨中点三类情况中。

6.6 Strassen Algorithm Strassen矩阵乘法

Divide：将矩阵分块为子矩阵；
Conquer：用 7 次递归子矩阵乘法替代普通方法的 8 次；
Combine：通过若干矩阵加减组合结果；
递归式： $T(n)=7T(n/2)+\Theta(n^2)$ 。

6.7 Randomized Select 随机选择

Divide：随机选择 pivot 并 partition；
Conquer：只递归进入包含第 $i$ 小元素的一侧；
Combine：平凡；
关键点：与快排类似使用 partition，但每层只递归一个子问题。

7. 与其他算法设计策略的区别

策略	核心思想	适用结构
分治	拆成较独立子问题，递归求解后合并	子问题相对独立、自相似
Dynamic Programming 动态规划	保存重叠子问题结果，避免重复计算	最优子结构 + 重叠子问题
Greedy Algorithm 贪心算法	每一步做局部最优选择	贪心选择性质 + 最优子结构
Backtracking 回溯法	深度优先搜索解空间树并剪枝	组合搜索、约束满足
Branch and Bound 分支限界法	用界函数控制搜索顺序和剪枝	优化搜索问题

8. 易错点

常见错误

只写递归调用，不分析划分与合并代价，会低估复杂度。

常见错误

看到递归就认为是分治。真正的分治要求子问题能有效组合成原问题，并且递归应当带来规模下降。

常见错误

忽略子问题重叠。若同一子问题被反复计算，应优先考虑动态规划或记忆化。

常见错误

忽略边界条件。数组分治尤其容易在 mid、low、high 的闭开区间约定上出错。

9. 学习检查清单

判断一个问题是否适合分治，可以依次检查：

能否把规模为 $n$ 的问题拆成规模更小的问题？
子问题是否与原问题同类型或足够相似？
子问题是否相对独立？若不独立，是否存在大量重叠？
子问题解能否被正确合并为原问题解？
划分与合并代价是多少？
能否写出递归式 $T(n)$ ？
递归基是否明确？
子问题规模是否严格下降？

10. 相关笔记

Algorithm Design and Analysis 算法设计与分析
Asymptotic Notation and Analysis 渐进记号与渐进分析
Recurrences 递归式
Master Theorem 主定理
Merge Sort 归并排序
Quick Sort 快速排序
Binary Search 二分查找
Fast Power 快速幂
Maximum Subarray 最大子数组
Strassen Algorithm Strassen矩阵乘法
Randomized Select 随机选择
Dynamic Programming 动态规划

11. Sources

Cormen, Thomas H.; Leiserson, Charles E.; Rivest, Ronald L.; Stein, Clifford. Introduction to Algorithms, 3rd ed. Ch. 2.3.1, Ch. 4.
MIT 6.046J / 18.401J, Lecture 3: Divide and Conquer.
MIT 6.046J / 18.401J, Lecture 4: Quicksort.