{
  "id": "master-theorem",
  "title": "主定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "主定理通过比较非递归工作量与递归分支的增长，给出分治递推关系的渐近界。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "主方法",
    "分治主定理"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/master-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/master-theorem/",
      "json": "https://aiwiki.page/en/master-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "主定理是算法分析中的一个结论，可为许多形如\n\n\\[T(n)=aT(n/b)+f(n).\\]\n\n的递推关系给出渐近紧确界。这类递推关系常用于描述分治法的时间复杂度：一个规模为 \\(n\\) 的问题产生 \\(a\\) 个规模均为 \\(n/b\\) 的子问题，而 \\(f(n)\\) 表示递归调用之外所做的工作。主定理将 \\(f(n)\\) 与递归分支所对应的增长量 \\(n^{\\log_b a}\\) 进行比较，从而判断总成本是由小规模子问题主导、均匀分布在各递归层，还是由接近原问题规模的工作主导。"
    },
    {
      "heading": "递推模型与假设",
      "text": "在标准表述中：\n\n- \\(a\\geq 1\\) 是常数，表示递归子问题的数量。\n- \\(b>1\\) 是常数，表示问题规模缩小的倍数。\n- \\(f(n)\\) 是渐近非负函数，描述非递归工作量，包括拆分、合并及其他开销。\n- 对于低于某个固定正阈值的输入规模，\\(T(n)=\\Theta(1)\\)。\n\n在算法中，\\(a\\) 通常是整数，但从数学上也可以研究实数 \\(a\\geq 1\\) 所对应的递推关系。\n\n符号 \\(O\\)、\\(\\Omega\\) 和 \\(\\Theta\\) 属于渐近记号。它们分别表示忽略常数因子后的渐近上界、渐近下界，以及相互匹配的渐近上下界。\n\n为使表述简洁，可以将 \\(n\\) 限制为 \\(b\\) 的幂，使反复相除后恰好到达基本情形。算法中的递推关系则往往使用向下取整或向上取整，例如\n\n\\[T(n)=aT(\\lfloor n/b\\rfloor)+f(n).\\]\n\n在标准的正则性假设下，这些取整操作不会改变通常得到的渐近界；但对于成本不规则的任意递推关系，不应自动将其视为与未取整的版本等价。\n\n主定理适用于实际已经建立的递推关系。如下不等式\n\n\\[T(n)\\leq aT(n/b)+f(n)\\]\n\n可以用来得到上界，但其本身不能确立与之匹配的下界。"
    },
    {
      "heading": "标准的三种情形",
      "text": "定义临界指数\n\n\\[p=\\log_b a.\\]\n\n最简单的标准版本包含三种情形。\n\n情形一：递归分支主导\n\n如果存在常数 \\(\\varepsilon>0\\)，使得\n\n\\[f(n)=O\\!\\left(n^{p-\\varepsilon}\\right),\\]\n\n那么\n\n\\[T(n)=\\Theta(n^p).\\]\n\n此时，\\(f(n)\\) 比 \\(n^p\\) 小至少一个多项式因子。递归树叶节点附近的工作量主导总成本。\n\n例如，\n\n\\[T(n)=4T(n/2)+n.\\]\n\n由于 \\(p=\\log_2 4=2\\)，且 \\(n=O(n^{2-1})\\)，因此\n\n\\[T(n)=\\Theta(n^2).\\]\n\n情形二：各层工作量均衡\n\n如果\n\n\\[f(n)=\\Theta(n^p),\\]\n\n那么\n\n\\[T(n)=\\Theta(n^p\\log n).\\]\n\n每个递归层的工作量具有相同的渐近阶，而递归共有 \\(\\Theta(\\log n)\\) 层。\n\n教学中常见的一种扩展允许包含对数因子：如果\n\n\\[f(n)=\\Theta\\!\\left(n^p(\\log n)^k\\right)\\]\n\n且 \\(k\\geq 0\\) 为常数，那么\n\n\\[T(n)=\\Theta\\!\\left(n^p(\\log n)^{k+1}\\right).\\]\n\n例如，\n\n\\[T(n)=2T(n/2)+n\\log n\\]\n\n中 \\(p=1\\)、\\(k=1\\)，因此\n\n\\[T(n)=\\Theta(n\\log^2 n).\\]\n\n情形三：非递归工作主导\n\n如果存在常数 \\(\\varepsilon>0\\)，使得\n\n\\[f(n)=\\Omega\\!\\left(n^{p+\\varepsilon}\\right),\\]\n\n并且存在常数 \\(c<1\\)，使得对所有充分大的 \\(n\\)，都有\n\n\\[a f(n/b)\\leq c f(n),\\]\n\n那么\n\n\\[T(n)=\\Theta(f(n)).\\]\n\n第二个条件称为正则条件。它保证随着递归逐层深入，各层非递归工作量的总和按几何比例递减。对于不规则函数，仅有 \\(f(n)\\) 的多项式下界并不能保证这种性质。\n\n例如，\n\n\\[T(n)=2T(n/2)+n^2.\\]\n\n此时 \\(p=1\\)，且\n\n\\[2f(n/2)=2(n/2)^2=\\frac12 n^2.\\]\n\n因此，取 \\(c=1/2\\) 时正则条件成立，从而\n\n\\[T(n)=\\Theta(n^2).\\]"
    },
    {
      "heading": "定理为何成立",
      "text": "可以借助递归树来理解主定理；递归树表示一次递归计算所产生的各次调用。\n\n为简便起见，设 \\(n=b^L\\)，并在问题规模达到 \\(1\\) 时停止递推。在深度为 \\(i\\) 的层上：\n\n- 有 \\(a^i\\) 个子问题；\n- 每个子问题的规模为 \\(n/b^i\\)；\n- 非递归工作量的总和为 \\(a^i f(n/b^i)\\)。\n\n展开递推关系可得\n\n\\[T(n)=a^L T(1)+\\sum_{i=0}^{L-1}a^i f(n/b^i).\\]\n\n由于 \\(L=\\log_b n\\)，因此\n\n\\[a^L=n^{\\log_b a}=n^p.\\]\n\n所以，叶节点贡献的工作量为 \\(\\Theta(n^p)\\)。\n\n如果 \\(f(n)=\\Theta(n^q)\\)，那么第 \\(i\\) 层的成本为\n\n\\[\\Theta\\!\\left(n^q\\left(\\frac{a}{b^q}\\right)^i\\right).\\]\n\n由此得到的等比级数有三种可能的变化趋势：\n\n- 如果 \\(q<p\\)，各项随深度增加而增大，因此底部各层主导总成本。\n- 如果 \\(q=p\\)，各项具有相同的渐近阶，因此累加后多出一个对数因子。\n- 如果 \\(q>p\\)，各项随深度增加而减小，因此顶部各层主导总成本。\n\n主定理将这种比较推广到了不必恰好为幂函数的情形。"
    },
    {
      "heading": "应用",
      "text": "二分查找\n\n二分查找通常具有如下最坏情况递推关系：\n\n\\[T(n)=T(n/2)+\\Theta(1).\\]\n\n此时 \\(a=1\\)、\\(b=2\\)、\\(p=0\\)。非递归工作量与 \\(n^0=1\\) 同阶，因此根据情形二可得\n\n\\[T(n)=\\Theta(\\log n).\\]\n\n归并排序\n\n归并排序递归地对两个大小近似相等的部分进行排序，再在线性时间内将它们合并：\n\n\\[T(n)=2T(n/2)+\\Theta(n).\\]\n\n由于 \\(p=1\\)，根据情形二可得\n\n\\[T(n)=\\Theta(n\\log n).\\]\n\n经典递归矩阵乘法\n\n一种直接的递归方法在计算两个方形矩阵的乘积时，对规模减半的矩阵执行八次乘法，并进行平方量级的加法运算：\n\n\\[T(n)=8T(n/2)+\\Theta(n^2).\\]\n\n此时 \\(p=\\log_2 8=3\\)，因此根据情形一可得\n\n\\[T(n)=\\Theta(n^3).\\]\n\n这一递推关系描述的是该特定方法，而不是所有矩阵乘法算法的下界。"
    },
    {
      "heading": "对数边界情形",
      "text": "情形一和情形三中要求存在多项式量级的差距，这一点至关重要。一个函数可以小于或大于 \\(n^p\\)，却不一定与它相差一个多项式因子。\n\n例如，\n\n\\[T(n)=2T(n/2)+\\frac{n}{\\log n},\\]\n\n若在某个大于 \\(1\\) 的常数规模处终止递归，则该递推关系不属于上述三种基本情形中的任何一种：\n\n- \\(n/\\log n\\) 并不比 \\(n\\) 小一个多项式因子；\n- 它不是 \\(\\Theta(n)\\)；\n- 它也不比 \\(n\\) 大一个多项式因子。\n\n其解为\n\n\\[T(n)=\\Theta(n\\log\\log n).\\]\n\n一种更广泛的对数扩展可以处理\n\n\\[f(n)=\\Theta\\!\\left(n^p(\\log n)^k\\right)\\]\n\n的情况，其中 \\(k\\) 为任意固定实数。在相同的常数规模基本情形假设下，\n\n\\[T(n)= \\begin{cases} \\Theta\\!\\left(n^p(\\log n)^{k+1}\\right), & k>-1,\\\\[4pt] \\Theta(n^p\\log\\log n), & k=-1,\\\\[4pt] \\Theta(n^p), & k<-1. \\end{cases}\\]\n\n这些界可通过对各层成本求和得到；它们是对基本定理的扩展，而不是与之矛盾。"
    },
    {
      "heading": "局限性与相关方法",
      "text": "主定理并不是求解递推关系的通用方法。其标准形式不能直接涵盖以下情况：\n\n- 子问题规模不相等，例如\n\n\\[T(n)=T(n/3)+T(2n/3)+n.\\]\n- 问题规模以减法方式缩小，例如\n\n\\[T(n)=T(n-1)+n.\\]\n- 递归调用次数不是常数，或规模缩减比例取决于 \\(n\\)。\n- 非递归成本函数不规则，不满足所需的比较关系或正则条件。\n- 涉及多种可能划分规模的递推关系，例如快速排序的期望时间递推关系。\n\nAkra–Bazzi 定理可以处理更广泛的分治递推关系，其中包括许多子问题规模不相等的情况。其他方法还包括反复展开、对递归树各层求和，以及用归纳法证明所猜测的界。\n\n主定理衡量的是 \\(T(n)\\) 所代表的资源，而不会自动确定这种资源是什么。特别是，将各次递归调用的成本相加，刻画的是总工作量，而不一定是并行计算中的实际耗时。同样，运行时间的递推关系也不能直接确定空间复杂度，因为递归子问题可能依次执行并复用内存。"
    }
  ],
  "links": [
    "algorithm",
    "recurrence-relation",
    "divide-and-conquer",
    "time-complexity",
    "recursion",
    "geometric-series",
    "binary-search",
    "merge-sort",
    "matrix",
    "quicksort",
    "parallel-computing",
    "space-complexity"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}