一、分治法的定义
分而治之可称为分治法，即逐个击破，分而治之，含义是将一个复杂问题分解成多个子问题来解决，一直分下去直到每个子问题都可以简单地求解出来，最后合并所有的解，从而得到复杂问题的解。该方法在《数据结构》中的应用场景有查找算法（二分查找）、排序算法（快速排序、归并排序）等等。
一个问题可以采用分治法的特征有以下：
①问题可分解为很多小规模的相同子问题；【前提】
②分解后的子问题后可以很容易地解决；
③各个子问题是相互独立的；【效率】
④分解的子问题的解最后可以合并。【关键】
二、分治法的基本步骤
- 分治法主要分为分解、治理两大步骤，分解，是将问题分解成多个
规模上较小、内容上相互独立、性质上与原问题相同的子问题；治理，是对各个子问题直接求解，若仍不容易解决，则再进行进一步分解后再求解，由于性质相同，所以求解子问题的解决方法和原问题是相同的；治理中包含合并，是将得到的各个子问题的解进行合并，从而得到原问题的解。
三、分治法的应用
（一）查找算法
二分（折半）查找
- 二分查找中运用到了分治法，它属于一种线性查找，只适用于有序的顺序表，首先，将有序序列分为两部分，每次取中间元素与查找元素进行比较，若为中间元素则停止查找，此时查找成功；若小于中间元素则沿序列左半部分继续缩小范围进行查找【
左半部分分解和治理】，若大于中间元素则沿序列右半部分继续缩小范围进行查找【右半部分分解和治理】，一直缩小直到查找到该元素为止，此时查找成功，否则，查找失败。
其基本步骤如下：
（1）通过一个一维数组s[n]来存放具有n个元素的有序顺序表，设查找元素为x；
（2）初始化查找范围，令变量low=0，high=n-1，分别指向数组的头和尾；
（3）取中间元素，即变量mid=⌊(low+high)/2⌋（向下取整，取比它小的最大整数）；
（4）将指定查找的元素x与中间元素进行比较，若相等，则查找成功，查找的元素即为mid指向的位置；若不相等，根据大小关系，选择中间元素的另一边元素继续进行比较：
①若查找关键字小于中间元素，左半部分分解和治理，low不变，high=mid-1；
②若查找关键字大于中间元素，右半部分分解和治理，high不变，low=mid+1。
（5）重复以上(3)、(4)步骤，直到查找成功或查找范围超出（low>high）为止结束算法。
通过二分查找算法在有序序列{-7，-2，0，1，3，4，5，9}中查找元素6。
假定该有序序列存放在一个一维数组s[8]中，长度为8，如下：
| 下标 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|---|
| 元素 | -7 | -2 | 0 | 1 | 3 | 4 | 5 | 9 |
首先，令low=0，high=7，即mid=⌊(low+high)/2⌋=⌊7/2⌋=⌊3.5⌋=3，将序列一分为二：
由于x=6大于mid=3的元素1，即6>1，此时向右半部分分解和治理，即x可能位于序列s[mid+1，high]范围内，即s[4，7]中。此时high=7不变，low=mid+1=4，mid=⌊(low+high)/2⌋=⌊11/2⌋=⌊5.5⌋=5，将序列一分为二：
由于x=6大于mid=5的元素4，即6>4，继续向右半部分分解和治理，即x可能位于序列s[mid+1，high]范围内，即s[6，7]中。此时high=7不变，low=mid+1=6，mid=⌊(low+high)/2⌋=⌊13/2⌋=⌊6.5⌋=6，将序列一分为二：
由于x=6大于mid=6的元素5，即6>5，继续向右半部分分解和治理：
此时仍未找到要查找的元素，所以查找失败，序列中无该元素。
- 通过以上可以得出，当有序序列为n=1时，查找元素x需要的时间复杂度为T(n)=O(1)；而当n>1时，子问题的规模为n/2，其递归关系式为T(n)=T(n/2x)+xO(1)，即令n=2x，则x=log2n，二分查找的T(n)=O(1)+O(log2n)，即二分查找的
时间复杂度为O(log2n)。
也可以通过在折半判定树求出时间复杂度，由于比较次数最多不会超过树的高度h=⌈log2(n+1)⌉，即折半查找的时间复杂度为O(log2n)。
（二）排序算法
在之前的文章，数据结构学习笔记—— 排序算法总结【ヾ(≧▽≦*)o所有的排序算法考点看这一篇你就懂啦！！！】，我们分析过：
- 快速排序、堆排序和归并排序是
改进型的排序算法，其平均时间复杂度均为O(nlog2n)，快速排序和归并排序都采用分治的思想，而堆排序是通过使用堆这种数据结构。
| 排序算法 | 平均时间复杂度 | 最好时间复杂度 | 最坏时间复杂度 |
|---|---|---|---|
| 快速排序 | O(nlog2n) | O(nlog2n) | O(n2) |
| 堆排序 | O(nlog2n) | O(nlog2n) | O(nlog2n) |
| 归并排序 | O(nlog2n) | O(nlog2n) | O(nlog2n) |
1、交换排序——快速排序
快速排序基于分治，通过多次划分操作来实现排序思想。每一趟排序中选取一个关键字作为枢轴，枢轴将待排序的序列分为两个子序列，比枢轴小的元素移到其前，比枢轴大的元素移到其后，这是一趟快速排序，然后分别对两个部分按照枢轴划分规则继续进行排序，直至每个区域只有一个元素为止，最后达到整个序列有序。快速排序的代码中有递归的应用，其递归的进行需要栈来辅助，代码如下：
/*快速排序*/
void QuickSort(int r[],int low,int high) {
int temp,i=low,j=high;
temp=r[i]; //将其设为枢轴，对序列进行划分
while(i<j) {
while(i<j&&r[j]>=temp) //从右往左寻找，找到小于temp的元素
j--;
r[i]=r[j]; //放在枢轴temp的左边
while(i<j&&r[i]<=temp) //从左往右寻找，找到大于temp的元素
i++;
r[j]=r[i]; //放在枢轴temp的右边
}
r[i]=temp; //一趟快速排序结束，枢轴temp被放到其最终位置
if(low<i-1)
QuickSort(r,low,i-1); //递归，对枢轴temp的左边区域进行快速排序
if(i+1<high)
QuickSort(r,i+1,high); //递归，对枢轴temp的右边区域进行快速排序
}
其基本步骤如下：
（1）分解，首先选择一个枢轴元素temp，枢轴元素的位置大小为low ≤ temp ≤ high，以该元素划分为两个子序列；
由于快速排序每趟只确定枢轴元素的最终位置，所以第n趟快速排序完成时，会有n个以上的元素处于其最终结果位置上，即它们两边的元素分别比它大或小。
（2）治理，对子序列进行治理，然后使两个子序列中的所有元素小于等于和大于等于枢轴元素，即[low，temp-1] ≤ temp和[temp+1，high] ≥ temp：
①求解子问题，对枢轴元素两边的子序列[low，temp-1]（枢轴temp的左边区域）、[temp+1，high]（枢轴temp的右边区域）分别递归调用快速排序函数QuickSort(r,low,i-1)、QuickSort(r,i+1,high)继续进行快速排序；
②合并子问题，当两个子序列都有序时，由于是基于枢轴元素排序的，所以整体序列也呈有序。
设一组初始记录关键字序列{5，8，6，3，2}，以第一个记录关键字5为基准进行一趟从大到小快速排序。
以第一个元素5为枢轴，原位置空出，i和j指向序列的头、尾元素，开始进行第一趟快速排序：
整个过程保证i指针左边是比枢轴元素小的元素，j指针右边是比枢轴元素大的元素（j指针找小于，i指针找大于）。首先对于j，从右往左一直寻找，找到小于枢轴元素的元素，若找到则j停下，由于元素2大于枢轴元素5，此时j的值与i的值交换：
然后对于i，从左往右一直寻找，找到大于枢轴元素的元素，若找到则i停下，由于元素2小于则继续向右，到元素8停下，8>5：
j继续移动，由于元素8大于则继续向左，到元素3停下，3<5，此时j与i交换：
…………重复步骤：
j继续移动，此时i与j相遇，最终位置即是枢轴元素的位置：
故快速排序的结果为{2，3，5，6，8}。
可以从划分操作和原序列排列上进行分析其时间复杂度：
- 当快速排序的初始序列为有序或逆序时（或划分取的枢轴元素为当前序列最大或最小元素），为最坏情况，当n=1时为T(n)=O(1)，而n>1时，递归函数为T(n)=T(n-1)+O(n)=O[n(n+1)/2]=O(n2)，即
最坏时间复杂度会达到O(n2)；而初始序列越接近无序或基本上无序时（或划分取的枢轴元素为当前序列中值元素），为最好情况，当n=1时为T(n)=O(1)，而n>1时，递归函数为T(n)=2T(n/2)+O(n)=O(nlog2n)，即最好时间复杂度为O(nlog2n)；当平均情况下，其平均时间复杂度也为O(nlog2n)。
| 排序算法 | 平均时间复杂度 | 最好时间复杂度 | 最坏时间复杂度 |
|---|---|---|---|
| 快速排序 | O(nlog2n) | O(nlog2n) | O(n2) |
- 快速排序中需借助
栈来进行递归，其空间复杂度与递归层数（栈的深度）有关，最坏情况下二叉树为最大高度，为n层，即最大递归深度，所需要的栈的空间为n，即最坏空间复杂度为O(n)；而最好情况下为二叉树的最小高度⌊
log2n ⌋，即最小递归深度，此时需要的栈的空间为⌊
log2n ⌋，即最好空间复杂度为O(log2n)；平均情况下，所需要的栈的空间为log2n，即平均空间复杂度为O(log2n)。
2、归并排序
归并排序是将两个或两个以上的有序表组合成一个新的有序表，它也采用的是分治思想，例如将两个有序表合并成一个有序表。另外，对于N个元素进行k路归并排序，其排序的趟数m满足km=N，即m=⌈logkN⌉（⌈⌉表示向上取整，取比自己大的最小整数）。
归并排序也是一个递归的过程，分别对划分后的左右子序列进行处理，Merge()函数中借助到了一个辅助数组r1，首先将划分的子序列放在该数组相邻位置，每次从该数组的两段子序列中取出元素进行比较，较小者放回原本的数组r[]中，代码如下，：
/*归并*/
void Merge(int r[],int low,int mid,int high) {
int *r1=(int *)malloc((high-low+1)*sizeof(int)); //辅助数组r1
for(int k=low; k<=high; k++)
r1[k]=r[k]; //将r中的所有元素复制到r1中
for(i=low,j=mid+1,k=i; i<mid&&j<=high; k++) {
//low指向为第一个有序表的第一个元素，j指向第二个有序表的第一个元素
if(r1[i]<=r1[j]) //比较r1的左右两段中的元素
r[k]=r1[i++]; //将较小值复制到r1中
else
r[k]=r[j++];
}
while(i<=mid)
r[k++]=r1[i++]; //若第一个表没有归并完的部分复制到尾部
while(i<=high)
r[k++]=r1[j++]; //若第二个表没有归并完的部分复制到尾部
}
/*归并排序*/
void MergeSort(int r[],int low,int high) {
if(low<high) {
int mid=(low+high)/2; //划分
MergeSort(r,low,mid); //对左有序子表递归
MergeSort(r,mid+1,high); //对右有序子表递归
Merge(r,low,mid,high); //归并
}
}
以二路归并排序为例，其基本步骤如下：
（1）分解，将序列分为两个大致相同的子序列；
（2）治理，对子序列进行治理：
①求解子问题，将两个子序列递归进行排序；
②合并子问题，将已经呈有序的两个子序列进行合并，从而整体序列也呈有序。
例如，对于序列{34，15，13，93，65，74，20，17}，对其进行归并排序，基本过程如下：
将初始序列分为8个只含有1个元素的子序列：
第一趟归并，两两归并，形成若干个由两个元素组成的子序列：
第二趟归并，继续两两归并，形成两个由四个元素组成的子序列：
第三趟归并，继续两两归并，即可形成一个完整的有序序列：
最终序列为{13、15、17、20、34、65、74、93}。
- 归并排序中，比较次数与初始序列无关，即分割子序列与初始序列是无关的，所以其时间复杂度没有最坏和最好情况。当有序序列为n=1时，需要的时间复杂度为T(n)=O(1)；而当n>1时，分割的子序列所需规模为2T(n/2)，Merge()函数的时间为O(n)进行比较和复制，所以递归关系式为T(n)=2xT(n/2x)+xO(n)，即令n=2x，则x=log2n，归并排序的T(n)=nO(1)+log2n，即归并排序的
时间复杂度为O(nlog2n)。
| 排序算法 | 平均时间复杂度 | 最好时间复杂度 | 最坏时间复杂度 |
|---|---|---|---|
| 归并排序 | O(nlog2n) | O(nlog2n) | O(nlog2n) |
- 由于归并排序中也用到了栈，其递归工作栈的空间复杂度为O(log2n)，由于另外还需用到辅助数组，其空间复杂度为O(n)，所以该排序算法的
空间复杂度为O(n)。
四、例题
例如，通过分治法完成下面的整数乘法计算：2348×3825。
分解：
将2348分成23和48，将3825分成38和25，然后按照分治法的思想递归计算。
治理：
2348 × 3825 = (23 × 38) × 10000 + (23 × 25 + 48 × 38) × 100 + 48 × 25
= 88150 × 10000 + 1650 × 100 + 1200
= 894510000