贪婪递归算法的时间复杂度

Posted 2021-04-13

我已经编码了一个贪婪的递归算法，以找出进行给定更改的最小硬币数量。现在，我需要估计其时间复杂度。由于算法根据相同的i（n * n）嵌套了“ ifs”，而内部块将递归调用减半（log（2）n），我相信正确的答案可能是O（n * log（n） ），计算如下：

n * log2（n）* O（1）

[请给我您有关我的分析是否正确的想法，并随时提出改进我贪婪的递归算法的建议。

这是我的递归算法：

coins = [1, 5, 10, 21, 25]
coinsArraySize = len(coins)
change = 63
pickedCoins = []

def findMin(change, i, pickedCoins):              
    if (i>=0):
        if (change >= coins[i]):               
           pickedCoins.append(coins[i])
           findMin(change - coins[i], i, pickedCoins)
        else:           
           findMin(change, i-1, pickedCoins)
findMin(change, coinsArraySize-1, pickedCoins)

答案

什么是n？运行时间取决于数量和特定硬币。例如，假设您有一百万个硬币（从1到1,000,000），并尝试对1进行更改。在最终找到它可以使用的最大硬币之前，该代码将经过一百万个递归级别（1）。最后，如果您只有一个硬币（[1]）并尝试以1,000,000进行零钱，那么您最终会发现同样的事情-然后您立即找到了该硬币，但经过一百万个级别对该硬币进行了百万次的深度挑选。

这是一个非递归版本，在这两个方面均得到了改进：使用二进制搜索来查找下一个可用硬币，一旦找到合适的硬币，请尽可能多地使用它。

def makechange(amount, coins):
    from bisect import bisect_right
    # assumes `coins` is sorted. and that coins[0] > 0
    right_bound = len(coins)
    result = []
    while amount > 0:
        # Find largest coin <= amount.
        i = bisect_right(coins, amount, 0, right_bound)
        if not i:
            raise ValueError("don't have a coin <=", amount)
        coin = coins[i-1]
        # How many of those can we use?
        n, amount = divmod(amount, coin)
        assert n >= 1
        result.extend([coin] * n)
        right_bound = i - 1
    return result

[如果要求以一枚硬币将一百万换成一百万，仍需要花费O(amount)时间，但因为它必须建立一百万个1的副本的结果列表。如果有一百万枚硬币，而您要求更改为1，这是O(log2(len(coins)))时间。可以通过将输出格式更改为字典，将硬币映射到使用硬币的次数来大幅度减少第一个硬币。然后，第一种情况将缩短为O(1)时间。

照原样，花费的时间与结果列表的长度成正比，再加上一些二进制搜索（等于所用不同硬币的数量）所花费的时间（通常是微不足道）。因此，“坏情况”是需要使用每种硬币的情况。例如，

>>> coins = [2**i for i in range(10)]
>>> makechange(sum(coins), coins)
[512, 256, 128, 64, 32, 16, 8, 4, 2, 1]

本质上是O(n + n log n)，其中n是len(coins)。

另一答案

每个递归调用将更改减少至少1，并且没有分支（也就是说，递归树实际上是一条直线，因此实际上不需要递归）。您的运行时间为O(n)。