分治算法（Divide & Conquer）通用思路与伪代码模板

原创已于 2025-12-11 06:03:54 修改 · 置顶 · 858 阅读

本内容遵循CC 4.0 BY-SA版权协议

于 2025-12-11 04:42:06 首次发布

在算法设计里，“分治”（Divide & Conquer）是一类非常经典、也非常实用的思想。许多著名算法，例如归并排序、快速排序、最近点对、快速傅里叶变换（FFT）等，背后都在用分治的套路。
这篇文章不讲某一个具体题目，而是总结分治算法的一般思路，并给出一个可以"套用"的通用伪代码模板，方便写代码时直接代入。

一、什么是 Divide & Conquer？

分治（Divide & Conquer），直译就是"分而治之"：把一个规模较大的问题拆成若干个规模更小、形式相同的子问题，分别解决这些子问题后，再把它们的解合并，得到原问题的解。
它的三个关键词可以概括为：

Divide（分）：拆分问题
Conquer（治）：递归求解子问题
Combine（合）：合并子问题的解

只要一个问题满足下面这几个特征，就比较适合用分治：

原问题可以拆分成若干个规模更小但结构相同的子问题。
子问题之间相对独立，也就是彼此之间关联不太大。
有一个明确的"最小规模"，当规模足够小时，可以不用再拆，直接解决。
能设计出一个高效的合并步骤，把子问题的答案拼回到原问题的答案上。

如果"分"之后合并的代价太大，或者拆出来的子问题彼此强耦合（高度依赖），那么分治就不一定划算，甚至可能比简单的暴力还慢。

二、分治算法的一般套路

从实现角度看，绝大多数分治算法都可以抽象成对一个"问题实例"的递归函数调用。伪代码的逻辑大致都是下面这四步：

判断是否为基本情况（Base Case）

当问题规模足够小时（例如数组长度为 1、区间只剩一个元素，或者规模小于一个常数阈值），不再继续拆分，直接用简单方法求解。

分（Divide）：拆分为子问题

把原问题拆成若干个更小的子问题。

常见方式包括：

区间对半拆分（如 [l, mid] 和 [mid+1, r]）
按中点划分平面或空间
把数据分成若干块分别处理

治（Conquer）：递归求解子问题

对每个子问题，递归调用同一个分治函数，得到子问题的解。

合（Combine）：合并子问题结果

根据具体问题的需求，把子问题的解整合起来。

可能是：

简单的拼接（如归并排序的"归并"步骤）
在多个子问题解里取一个最佳的（如取最大值 / 最小值）
结合子问题解再加上一些"跨区"处理（例如最大子段和、最近点对等）

只要清晰地设计出这四步，一个分治算法的框架就基本成型了。

三、通用伪代码模板

下面给出一个比较通用的伪代码模板，可以理解为一个"可配置版"的分治函数。不同的具体问题，只是填入了不同的 Split、DirectSolve、Combine 等函数而已。

// 解决某个抽象的"problem"
function DivideAndConquer(problem):
    // 1. 基本情况：问题足够小，直接解决
    if size(problem) <= THRESHOLD then
        return DirectSolve(problem)

    // 2. 分：把问题拆成若干个子问题
    subProblems = Split(problem)   // 例如拆成 P1, P2, ..., Pk

    // 3. 治：递归求解每个子问题
    subSolutions = empty list
    for each subProblem in subProblems do
        subSolutions.append( DivideAndConquer(subProblem) )

    // 4. 合：把子问题的解合并为原问题的解
    result = Combine(subSolutions)

    return result

其中每一个"占位符"都对应实际代码里要实现的部分：

THRESHOLD

表示"多小的规模算是基本情况"。
比如数组长度为 1、2，或 n <= 16 等。
这个取值有时会影响常数因子，甚至会影响实际运行时间，可以视具体情况微调。

DirectSolve(problem)

对小规模问题，直接用简单方法求解。
典型例子：
- 归并排序里，长度为 1 的数组不用再排，直接有序。
- "最大子段和"问题中，区间只剩一个元素时，答案就是这个元素本身。

Split(problem)

把一个问题拆分成若干子问题。
例如：
- 数组或区间问题里，按中点一分为二。
- 几何问题里，按一条直线把点集分成左右两半。
- 字符串问题里，按中点或某个关键下标拆成两段。

Combine(subSolutions)

根据实际问题的定义来组合子解。
例子：
- 归并排序：将两个有序子数组"归并"为一个更长的有序数组。
- 最大子段和：在左右子区间答案中取最大值，同时考虑"跨越中点"的子段和。
- 最近点对：比较左半、右半最优解和跨分割线的候选解，取最小的距离。

可以这样理解：

具体问题的"精髓"，就在于如何设计 Split 和 Combine；
而基本框架的递归结构基本不变。

四、和递归、动态规划的关系

分治的实现几乎总是用递归，因此常被简单地等同于"递归算法"，但两者不完全等价：

分治更强调：
- 问题被拆分成相互独立的子问题；
- 子问题规模更小、形式相同；
- 有一个合并过程。
动态规划则强调：
- 子问题往往互相重叠；
- 通过记忆化或表格，自底向上消除重复计算。

有一句常见的"演化关系"可以帮助记忆：

暴力穷举 → 分治（剪枝、组织结构） → 记忆化搜索 → 动态规划

很多题目一开始可以先按照分治思路写出正确但可能较慢的做法，再视情况引入记忆化或改写为 DP，从而去掉重复计算，进一步加速。

五、如何从零开始设计一个分治算法？

面对一个新问题，可以按以下步骤尝试用分治来建模：

找"规模"的定义
- 比如是"数组长度 n"、“区间长度 r - l + 1”、"点的数量"等。
思考"如果规模更小、已经有解了，我能不能把它们拼成大问题的解？"
- 这一步是在构思 Combine。
再反过来问：“为了让上一步可行，我应该如何拆分原问题？”
- 这一步是在构思 Split。
最后补齐：
- 定义基本情况（什么时候不再拆）。
- 对小规模问题的直接解法。
- 考虑时间复杂度（可以写出递推式，例如 $T (n) = a T (n / b) + f (n)$ ）。