7.1节中的QUICKSORT算法包含有两个对自身递归调用。在调用PARTITION后,左边的子数组和右边的子数组分别被递归排序。
QUICKSORT中第二次递归调用并不是必须的;可以用迭代控制结构来代替它。这种技术称作尾递归,对多数的编译程序都加以了采用。
考虑下面合格快速排序的版本,它模拟了尾递归:
QUICKSORT'(A, p, r)
1 while p < r
2 do ? Partition and sort left subarray.
3 q ← PARTITION(A, p, r)
4 QUICKSORT'(A, p, q - 1)
5 p ← q + 1
a)论证QUICKSORT'(A, 1, length[A])能正确地对数组A进行排序。
b)请给出一种在含有n个元素的输入数组上QUICKSORT'的栈深度为Θ(n)的情况。
c)修改QUICKSORT'的代码,使其最坏情况下栈深度为Θ(lgn),保持算法的O(nlgn)期望运行时间不变。
分析与解答:
a)QUICKSORT'对A[p...r]进行排序时,先PARTITION,然后对左边的子数组进行排序,接下来对右边的子数组也采取同样的操作
0----4----3-----------2-------------------------1--------------------------------------------------------0
相对于对待排序的数组,每次分出一部分进行排序,直到所有的部分都已经分出去了,所以能够正确地对数组A进行排序。
b) 栈的深度就类似于递归树的深度,当数组正序时,递归的深度为Θ(n),栈的深度也为Θ(n)
例如A={1, 2, ... , n}
c)为了使最坏情况下栈的深度为Θ(lgn),我们必须是PARTITION后左边的子数组为原来数组的一半大小,这样递归的深度最多为Θ(lgn)。
一种可能的算法是:首先求得(A, p, r)的中位数,作为PARTITION的枢轴元素,这样可以保证左右两边的元素的个数尽可能的均衡。
因为求中位数的过程MEDIAN的时间复杂度为Θ(n),因此可以保证算法的期望的时间复杂度O(nlgn)不变。
修改后的代码QUICKSORT''如下:
QUICKSORT''(A, p, r) while p < r do ? Partition and sort left subarray. m ← MEDIAN(A, p, r) exchange A[m] ↔ A[r] q ← PARTITION(A, p, r) QUICKSORT''(A, p, q - 1) p ← q + 1===========================
对于c的另一种解析:
快速排序的伪代码如下:
1 QUICKSORT(A, p, r) 2 if p < r 3 q <- PARTITION(A, p, r) 4 QUICISORT(A, p, q-1) 5 QUICKSORT(A, q + 1, r)
可采用尾递归的方式减小堆栈的深度,即采用迭代控制结构替代第二次递归调用,尾递归在大多数的编译程序中都被采用。伪代码如下:
1 QUICKSORT(A, p, r) 2 while p < r 3 q <- PARTITION(A, p, r) 4 QUICISORT(A, p, q-1) 5 p <- q + 1
尽管此时平均堆栈深度已减小,但最坏情况下堆栈深度仍为θ(n),如数组元素已有序的情况下进行快速排序。那如何减小最坏情况下的堆栈深度?
核心思想仍然是采用迭代控制结构替代递归调用。前一次的思想是执行PARTITION后,对数组的前一部分( A[p...q-1] )进行递归排序,对后一部分( A[q+1...r] )进行迭代控制运算。
假设每次执行PARTITION后,(q-1) - p + 1 : r-(q+1) +1 = a ( a > 0 ),则有
因此,执行完PARTITION后,对元素个数少的那一部分进行递归排序,而对另一部分进行迭代运算,可使堆栈深度小于lgn。
伪代码如下:
QUICKSORT(A, p, r) while p < r q <- PARTITION(A, p, r) if (q - 1) - p + 1 < r - (q + 1) + 1 QUICISORT(A, p, q-1) p = q + 1 else QUICKSORT(A, q + 1, r) r = q - 1