第6章 アルゴリズムの数学的解析

はじめに

アルゴリズムの設計と解析は、効率的な計算を実現するための中心的な課題です。本章では、アルゴリズムの性能を数学的に厳密に分析する手法を学びます。漸近的解析、再帰的アルゴリズムの解析、主要なアルゴリズム設計パラダイム（分割統治法、動的計画法、貪欲法）について、その数学的基礎を詳しく探求します。

アルゴリズムの解析は、単に実行時間を測定することではありません。問題の構造を深く理解し、最適な解法を導出するための理論的枠組みを提供します。この理解は、新しい問題に直面したときに、適切なアプローチを選択する指針となります。

学習目標

• 漸近解析の指標と解析手順を用いて典型アルゴリズムを評価できる
• 再帰的アルゴリズムの解析（再帰木、展開、Master 定理）を適用できる
• 償却解析（集計法・ポテンシャル法）と確率的解析の枠組みを説明できる
• 分割統治・動的計画法・貪欲法の設計原理と適用条件を述べられる
• 代表問題（ソート、最短路、最適BSTなど）で数量的評価ができる

6.1 漸近的解析

6.1.1 最悪時間解析

定義 6.1 アルゴリズム A の最悪時間複雑度 \(T(n)\) は：

\(T(n) = \,\max\{\text{A が入力 } I \text{ に対して実行する基本演算の回数} \mid \lvert I\rvert = n\}\)

最悪時間解析は性能の保証を与えるため、実用上重要です。

例 6.1 挿入ソートの最悪時間解析

InsertionSort(A[1..n]):
    for j = 2 to n:
        key = A[j]
        i = j - 1
        while i > 0 and A[i] > key:
            A[i+1] = A[i]
            i = i - 1
        A[i+1] = key

解析：

• 外側ループ：n-1 回実行
• j 番目の反復で、内側ループは最悪 j-1 回実行
• 総比較回数：\(\sum_{j=2}^{n} (j-1) = 1 + 2 + \cdots + (n-1) = \frac{n(n-1)}{2}\)

したがって、\(T(n) = \Theta(n^2)\)

6.1.2 平均時間解析

定義 6.2 入力の確率分布 P に対する平均時間複雑度：

\(T_{avg}(n) = \sum_{\lvert I\rvert = n} \Pr[I] \cdot T(I)\)

ここで \(T(I)\) はアルゴリズム \(A\) が入力 \(I\) に対して実行する基本演算回数。

例 6.2 クイックソートの平均時間解析

ピボットのランクを r とすると、分割後のサイズは r-1 と n-r。 各要素が等確率でピボットになると仮定：

\(T(n) = n-1 + (1/n)\sum_{r=1}^{n} [T(r-1) + T(n-r)]\)

この再帰式を解くと：T(n) = Θ(n log n)

詳細な証明： 再帰式を整理すると： \(nT(n) = n(n-1) + 2\sum_{k=0}^{n-1} T(k)\)

n を n-1 に置き換えた式を引くと： \(nT(n) - (n-1)T(n-1) = 2(n-1) + 2T(n-1)\)

両辺を n(n+1) で割ることで再帰式を単純化： \(T(n)/(n+1) = T(n-1)/n + 2(n-1)/n(n+1)\)

この形式により、項を逐次的に展開できる： \(T(n)/(n+1) = T(1)/2 + 2\sum_{k=2}^{n} (k-1)/k(k+1)\)

部分分数分解により：\(2(k-1)/(k(k+1)) = -2/k + 4/(k+1)\)

したがって：T(n) = 2(n+1)H_n - 4n = Θ(n log n)（自然対数で書けば約 2n ln n）

ここで H_n = 1 + 1/2 + … + 1/n は第n調和数で、H_n ≈ ln n + γ（γはオイラー定数）

6.1.3 償却解析

定義 6.3 m 個の操作からなる操作列の償却時間は、操作列の総時間を m で割った値。

集計法

例 6.3 動的配列の償却解析

配列が満杯になったらサイズを2倍にする：

n 個の挿入操作の総コスト：

• 通常の挿入：n 回
• 拡張のコピー：1 + 2 + 4 + … + 2^{⌊log n⌋} < 2n

総コスト < 3n なので、償却時間は O(1)

ポテンシャル法

定義 6.4 データ構造の状態 \(D_i\) に対するポテンシャル関数 \(\Phi(D_i)\) を定義。

操作 i の償却コスト：\(\hat{a}i = a_i + \Phi(D_i) - \Phi(D{i-1})\)

直観：ポテンシャルは「貯金」として将来の高コストを先払いする見積もりである。

例 6.4 二進カウンタのインクリメント

ポテンシャル関数：Φ(D) = カウンタ中の1の個数

ビット反転数が k のとき：

• 実際のコスト：\(a_i = k\)
• ポテンシャル変化：\(\Delta\Phi = 1 - k + 1 = 2 - k\)
• 償却コスト：\(\hat{a}_i = k + (2 - k) = 2 = O(1)\)

6.1.4 確率的解析

定義 6.5 期待実行時間は、入力を固定したうえで、アルゴリズムの内部のランダム選択に関して取る期待値。

これは入力分布に関して平均を取る平均時間解析とは区別する。入力分布と内部乱択の両方がある場合は、どちらに関する期待値かを明示する。

例 6.5 ランダム化クイックソート

ピボットをランダムに選択することで、任意の入力に対して期待時間 O(n log n) を達成。

定理 6.1 ランダム化クイックソートの期待比較回数は \(2n \ln n + O(n)\)。

証明：X_{ij} を「要素 i と j が比較される」指示変数とする。 期待比較回数 = \(\mathbb{E}[\sum_{i<j} X_{ij}] = \sum_{i<j} \Pr[X_{ij} = 1]\)

要素 i と j（i < j）が比較される ⟺ i か j が {i, i+1, …, j} の中で最初にピボットに選ばれる したがって：Pr[X_{ij} = 1] = 2/(j-i+1)

期待比較回数は、差 \(k=j-i+1\) ごとに数えると \[ \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} \frac{2}{j-i+1} = 2\sum_{k=2}^{n} \frac{n-k+1}{k} = 2(n+1)H_n - 4n = 2n\ln n + O(n) \] となる。□

6.2 分割統治法

6.2.1 分割統治の一般形

分割統治アルゴリズムの基本構造：

1. 分割（Divide）：問題を部分問題に分割
2. 統治（Conquer）：部分問題を再帰的に解く
3. 結合（Combine）：部分問題の解を結合

時間複雑度の再帰式： \(T(n) = aT(n/b) + f(n)\)

• a：部分問題の個数
• n/b：各部分問題のサイズ
• f(n)：分割と結合の時間

6.2.2 マスター定理

定理 6.2（マスター定理）\(a \ge 1\), \(b > 1\) を定数、\(f(n)\) を漸近的に正の関数とする。

\(T(n) = aT(n/b) + f(n)\) に対して：

1. \(f(n) = O(n^{\log_b a - \epsilon})\) （ある \(\epsilon > 0\)）ならば \(T(n) = \Theta(n^{\log_b a})\)

2. \(f(n) = \Theta(n^{\log_b a})\) ならば \(T(n) = \Theta(n^{\log_b a} \log n)\)

3. \(f(n) = \Omega(n^{\log_b a + \epsilon})\) （ある \(\epsilon > 0\)）かつ \(af(n/b) \le cf(n)\) （ある \(c < 1\), 十分大きな n）ならば \(T(n) = \Theta(f(n))\)

この定理を使う前に、再帰式が「個数 \(a\) も縮小率 \(1/b\) も一定の、等しい大きさの部分問題」という形を満たすか確認する。例えば \(T(n)=2T(n/2)+n\log n\) は、\(f(n)\) がケース2の \(\Theta(n^{\log_b a})\) より対数因子だけ大きく、この章で述べた基本形の3ケースには直接当てはまらない。\(T(n)=T(n/3)+T(2n/3)+n\) は部分問題の縮小率が異なるため、そもそも \(aT(n/b)+f(n)\) の形ではない。このような場合は、定理を機械的に適用せず、再帰木または置換法で解析する。

証明の概要：再帰木を用いる。深さ i のレベルで：

• ノード数：\(a^i\)
• 各ノードでの仕事：\(f(n/b^i)\)
• レベル i の総仕事：\(a^i f(n/b^i)\)

総仕事量 = \(\sum_{i=0}^{\log_b n} a^i f(n/b^i)\)

この和の漸近的振る舞いは \(f(n)\) と \(n^{\log_b a}\) の関係で決まる。□

【直観（どのレベルが支配的か）】

• 比較対象は \(g(n) = n^{\log_b a}\)（各レベルの合計仕事量の基準）。
• ケース1（f が小さい）: \(f(n) = O(n^{\log_b a - \epsilon})\)
  • 各レベルの仕事は幾何級数的に減少し、最下段（葉レベル）合計が支配的 ⇒ \(\Theta(n^{\log_b a})\)
• ケース2（釣り合い）: \(f(n) = \Theta(n^{\log_b a})\)
  • 各レベルがおおむね同じ大きさで、レベル数が \(\log n\) ⇒ \(\Theta(n^{\log_b a} \log n)\)
• ケース3（f が大きい）: \(f(n) = \Omega(n^{\log_b a + \epsilon})\) かつ通常性条件（\(af(n/b) \le c f(n)\)）
  • 上位レベル（根付近）の仕事 \(f(n)\) が支配的 ⇒ \(\Theta(f(n))\)

（図解イメージ）

レベル i のノード数: a^i, 仕事/ノード: f(n/b^i)  → 合計: a^i f(n/b^i)
i = 0（根） ……………………………………… f(n)
i = 1 ………………………………………… a · f(n/b)
…
i = log_b n（葉） ………………… a^{log_b n} · f(1)

6.2.3 分割統治の例

例 6.6 マージソート

MergeSort(A, p, r):
    if p < r:
        q = ⌊(p + r)/2⌋
        MergeSort(A, p, q)
        MergeSort(A, q+1, r)
        Merge(A, p, q, r)

再帰式：T(n) = 2T(n/2) + Θ(n) マスター定理のケース2：\(a = 2\), \(b = 2\), \(\log_b a = 1\), \(f(n) = \Theta(n)\) したがって：T(n) = Θ(n log n)

例 6.7 Strassenの行列積

通常の行列積：\(T(n) = 8T(n/2) + \Theta(n^2) = \Theta(n^3)\)

Strassenのアルゴリズム：7つの部分積で計算 \(T(n) = 7T(n/2) + \Theta(n^2)\)

マスター定理のケース1：log_2 7 ≈ 2.807 > 2 したがって：T(n) = Θ(n^{log_2 7}) ≈ Θ(n^{2.807})

6.2.4 分割統治の最適性

定理 6.3 n 個の要素の中央値を見つける決定的アルゴリズムは \(\Theta(n)\) 時間で実行可能。

アルゴリズム（中央値の中央値）：

1. 要素を5個ずつのグループに分割
2. 各グループの中央値を見つける（定数時間）
3. 中央値の中央値を再帰的に見つける
4. これをピボットとして分割
5. 適切な側で再帰

解析：定数項を除けば、ピボットは少なくとも 3n/10 個の要素より大きく、 少なくとも 3n/10 個の要素より小さい。

再帰式：T(n) ≤ T(n/5) + T(7n/10) + cn

帰納法により T(n) = O(n) が示せる。

6.3 動的計画法

6.3.1 最適部分構造

定義 6.6 問題が最適部分構造を持つとは、最適解が部分問題の最適解を含むこと。

例 6.8 最短路問題

グラフ G で頂点 u から v への最短路 p が頂点 w を通るとき、 p の u-w 部分と w-v 部分もそれぞれ最短路である。

証明：カット&ペースト論法による。部分が最短路でなければ、 より短い路で置き換えることで全体も短くできる。□

6.3.2 部分問題の重複

動的計画法が有効な問題の特徴：

1. 最適部分構造
2. 部分問題の重複
3. 部分問題数が多項式個

6.3.3 動的計画法の設計手順

1. 最適解の構造を特徴付ける
2. 最適値を再帰的に定義
3. ボトムアップで最適値を計算
4. 計算した情報から最適解を構成

例 6.9 連鎖行列積

行列の列 \(A_1, A_2, \ldots, A_n\) の積を計算する最適な括弧付け。 A_i のサイズ：p_{i-1} × p_i

m[i,j] = A_i…A_j を計算する最小スカラー乗算数

再帰式： \[ m[i,j] = \begin{cases} 0 & \text{if } i = j \
\min_{i \le k < j} \{m[i,k] + m[k+1,j] + p_{i-1}p_k p_j\} & \text{if } i < j \end{cases} \]

時間複雑度：\(O(n^3)\)、空間複雑度：\(O(n^2)\)

6.3.4 最適性の原理

定理 6.4（Bellmanの最適性原理）

最適方策の部分方策は、それ自体が部分問題に対して最適である。

例 6.10 編集距離（Levenshtein距離）

文字列 X[1..m] と Y[1..n] の編集距離 d[i,j]：

\[ d[i,j] = \min\{d[i-1,j] + 1,\ d[i,j-1] + 1,\ d[i-1,j-1] + \delta(i,j)\} \]

ここで \(X[i]=Y[j]\) のとき \(\delta(i,j)=0\)、それ以外は \(1\)。

境界条件：d[i,0] = i, d[0,j] = j

6.4 貪欲アルゴリズム

6.4.1 貪欲選択性

定義 6.7 問題が貪欲選択性を持つとは、局所最適な選択を行うことで

大域最適解を構成できること。

例 6.11 活動選択問題

n 個の活動 \(\{a_1, \ldots, a_n\}\)、各活動 \(a_i\) は開始時刻 \(s_i\) と終了時刻 \(f_i\) を持つ。 目標：重ならない活動の最大集合を選択。

貪欲戦略：終了時刻の早い順に選択

定理 6.5 活動選択問題の貪欲アルゴリズムは最適解を与える。

証明：\(A\) を最適解、\(a_k\) を最も早く終わる活動とする。 \(A^{\prime} = (A \setminus \{a_j\}) \cup \{a_k\}\)（\(a_j\) は \(A\) の最初の活動）も最適解。 帰納的に議論を続けることで、貪欲解が最適であることが示せる。□

6.4.2 マトロイド理論

定義 6.8 マトロイド \(M = (S, I)\) は以下を満たす：

1. I ⊆ 2^S（I は S の部分集合族）
2. 遺伝性：B ∈ I かつ A ⊆ B ⟹ A ∈ I
3. 交換性：A, B ∈ I かつ \(\lvert A\rvert\) < \(\lvert B\rvert\) ⟹ ∃e ∈ B\A, A ∪ {e} ∈ I

例 6.12 グラフィックマトロイド

S = グラフの辺集合 I = \(\{A \subseteq S \mid A \text{ は閉路を含まない}\}\)

定理 6.6（Radoの定理）重み付きマトロイドに対する貪欲アルゴリズムは、重みの大きい要素から独立性を保って選ぶことで最大重み基底を与える。

6.4.3 貪欲アルゴリズムの例

例 6.13 Kruskalの最小全域木アルゴリズム

Kruskal(G, w):
    A = ∅
    各頂点 v に対して MakeSet(v)
    辺を重みの昇順にソート
    for 各辺 (u,v) in 昇順:
        if FindSet(u) ≠ FindSet(v):
            A = A ∪ {(u,v)}
            Union(u, v)
    return A

時間複雑度：単純グラフでは O(E log E) = O(E log V)。Union-Find に経路圧縮とランク併合を用いれば、集合操作部分は償却 O(E α(V)) に抑えられ、通常は辺ソートが支配的になる。

例 6.14 Huffman符号

文字の頻度に基づく最適な接頭符号の構成。

アルゴリズム：

1. 各文字を頻度付きの葉ノードとする
2. 最小頻度の2つのノードを選んで結合
3. 1つのノードになるまで繰り返す

定理 6.7 Huffman符号は、各記号の出現確率が既知で各記号を整数長の接頭符号に割り当てる条件のもとで、期待符号長を最小化する。

6.4.4 貪欲法の限界

貪欲法が最適解を与えない例：

例 6.15 ナップサック問題（0-1版）

品物：(価値, 重さ) = {(10, 5), (6, 3), (6, 3)} 容量：7

貪欲解（価値/重さ比）：(10, 5) → 価値10 最適解：(6, 3), (6, 3) → 価値12

6.5 高度な解析技法

6.5.1 生成関数を用いた解析

定義 6.9 数列 \(\{a_n\}\) の生成関数：

\(G(z) = \sum_{n \ge 0} a_n z^n\)

例 6.16 Catalan数の解析

Catalan数 \(C_n\)：n組の括弧の正しい並べ方の数

再帰式：\(C_n = \sum_{k=0}^{n-1} C_k C_{n-1-k},\ C_0 = 1\)

生成関数：\(C(z) = 1 + z\cdot C(z)^2\)

解いて：C(z) = (1 - √(1-4z))/(2z)

展開して：\(C_n = \frac{1}{n+1}\binom{2n}{n}\)

6.5.2 確率的解析の高度な手法

定理 6.8（Chernoff限界）独立な0-1確率変数 \(X_1, \ldots, X_n\)、\(X = \sum_i X_i\)、\(\mu = \mathbb{E}[X]\) に対して：

上側：\(\Pr[X \ge (1+\delta)\mu] \le \exp(-\delta^2\mu/(2+\delta))\)（\(0 < \delta\)） 下側：\(\Pr[X \le (1-\delta)\mu] \le \exp(-\delta^2\mu/2)\)（\(0 < \delta < 1\)）

応用：ランダム化アルゴリズムの解析、確率的方法

6.5.3 線形計画法による解析

例 6.17 最大流問題の双対性

非負容量 \(c_{uv}\) を持つ有向グラフ \(G=(V,E)\)、始点 \(s\)、終点 \(t\) を考える。辺 \((u,v)\) のフローを \(f_{uv}\) とすると、主LPは始点からの正味流出量を最大化する。

\[ \begin{aligned} \text{maximize}\quad & \sum_{(s,v)\in E} f_{sv}-\sum_{(u,s)\in E} f_{us} \
\text{subject to}\quad & \sum_{(u,v)\in E}f_{uv}-\sum_{(v,w)\in E}f_{vw}=0 && (v\in V\setminus\{s,t\}), \
& 0\le f_{uv}\le c_{uv} && ((u,v)\in E). \end{aligned} \]

この主LPの双対は、頂点ポテンシャル \(z_v\in\mathbb{R}\) と非負の辺変数 \(y_{uv}\) を用いて次のように書ける。

\[ \begin{aligned} \text{minimize}\quad & \sum_{(u,v)\in E}c_{uv}y_{uv} \
\text{subject to}\quad & y_{uv}\ge z_u-z_v && ((u,v)\in E), \
& z_s=1,\quad z_t=0, \
& y_{uv}\ge 0 && ((u,v)\in E). \end{aligned} \]

\(s\in S\)、\(t\notin S\) となるカット \(S\subseteq V\) に対し、\(z_v=1\)（\(v\in S\)）または \(0\)（\(v\notin S\)）とし、\(S\) から外へ出る辺だけ \(y_{uv}=1\) とすれば双対実行可能解になり、その目的値はカット容量である。逆に、任意の双対実行可能解は、各 \(z_v\) を \([0,1]\) へ切り詰めても実行可能性と目的値を悪化させない。その後、\(0<\theta<1\) に対する \(S_{\theta}=\{v\in V\mid z_v\ge\theta\}\) のしきい値丸めを用いると、ある \(\theta\) で双対目的値以下の容量を持つ \(s\)-\(t\) カットが得られる。したがってLP双対性は次の定理へ接続する。

定理 6.9（最大流最小カット定理）最大流の値 \(=\) 最小カットの容量

6.6 並列アルゴリズムの解析

6.6.1 並列計算モデル

PRAM（Parallel Random Access Machine）モデル：

• p個のプロセッサ
• 共有メモリ
• 同期的実行

複雑性尺度：

• 作業量 W(n)：全プロセッサの総演算数
• スパン S(n)：最長の依存パス
• 並列度：W(n)/S(n)

6.6.2 Brentの定理

定理 6.10（Brent）作業量 W、スパン S のアルゴリズムは、

p プロセッサで時間 \(O(W/p + S)\) で実行可能。

6.6.3 並列アルゴリズムの例

例 6.18 work-efficient な並列プレフィックス和（Blelloch scan）

入力は長さ \(n \ge 1\) の配列 \(A[0..n-1]\) とし、添字は0から始める。ここでは次の inclusive prefix sum を出力する。

\[ S[i] = \sum_{j=0}^{i} A[j] \qquad (0 \le i < n) \]

Blelloch scan は、まず exclusive prefix sum \(E[0]=0\)、\(E[i]=\sum_{j=0}^{i-1}A[j]\) を求め、最後に各要素を足して \(S[i]=E[i]+A[i]\) とする。\(N\) を \(n\) 以上の最小の2の冪とし、入力を加法の単位元0で長さ \(N\) まで埋める。したがって \(n\) が2の冪でなくてもよい。

InclusivePrefixSum(A[0..n-1]):
    if n = 1: return [A[0]]

    N = n 以上の最小の2の冪
    B[0..N-1] = A の後ろを N-n 個の 0 で埋めた配列

    // up-sweep: 各ブロックの和を右端へ集約する
    for d = 0 to log2(N)-1:
        並列 for k = 0 to N-1 step 2^(d+1):
            left  = k + 2^d - 1
            right = k + 2^(d+1) - 1
            B[right] = B[left] + B[right]

    // 根を単位元に置き換えると、down-sweep の結果は exclusive scan になる
    B[N-1] = 0

    // down-sweep: 左部分木の和と親の prefix を交換・伝播する
    for d = log2(N)-1 downto 0:
        並列 for k = 0 to N-1 step 2^(d+1):
            left  = k + 2^d - 1
            right = k + 2^(d+1) - 1
            t = B[left]
            B[left] = B[right]
            B[right] = B[right] + t

    // B[0..n-1] は exclusive scan。元の要素を足して inclusive にする
    並列 for i = 0 to n-1:
        S[i] = B[i] + A[i]
    return S

各レベルの並列反復は互いに素なブロックだけを読み書きするため、同時書き込みによるデータ競合はない。すべての添字は対応する長さ \(2^{d+1}\) のブロック内にあり、\(0\) 以上 \(N-1\) 以下である。

\(A=[1,2,3,4]\) の場合、処理は次のように進む。

境界となる入力長についても、たとえば \(n=1\) の \([5]\) は \([5]\)、\(n=2\) の \([1,2]\) は \([1,3]\)、\(n=8\) の \([1,2,3,4,5,6,7,8]\) は \([1,3,6,10,15,21,28,36]\) となる。

up-sweep と down-sweep はそれぞれ \(\log_2 N\) レベルである。レベルごとの反復数を合計すると各フェーズで \(N-1\) 回なので、padding と最後の要素ごとの加算を含む作業量は \(O(N)\) である。\(N\) は \(n\) 以上の最小の2の冪なので \(n \le N < 2n\) であり、これは \(O(n)\) に等しい。各レベル内を並列実行すると依存するレベル数は \(2\log_2 N+O(1)\) であり、スパンは \(O(\log n)\) となる。

まとめ

• 漸近・再帰・償却・確率の各手法で多面的に性能を評価する
• 設計パラダイム（分割統治・DP・貪欲）は問題の構造に適合するかが鍵
• 前処理（累積和など）やメモ化により理論上の計算量を実装で実現する

次章への橋渡し

第6章で学んだ解析技法は、アルゴリズムだけでなくデータ構造の良し悪しを比較するための共通言語でもあります。次章ではその道具を使って、操作列に対する性能保証と不変量設計を中心にデータ構造を読みます。

補助資料を併用するなら、手を動かす確認は 付録B の第6章節、現実の接続は 付録E の第6章節、理解確認は 付録F の第6章節を参照してください。

参考文献と次の一歩

• 図版の再参照: 本章の図をまとめて見返したいときは 付録H: 図版ガイドと図一覧 を参照してください。
• 標準: Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein, 『Introduction to Algorithms』. 代表アルゴリズムと解析手法を横断的に確認できます。
• 設計: Jon Kleinberg, Éva Tardos, 『Algorithm Design』. 分割統治・動的計画法・貪欲法の設計判断を、具体例ベースで追うのに向いています。
• 解析: Robert Sedgewick, Philippe Flajolet, 『An Introduction to the Analysis of Algorithms』. 母関数や平均計算量まで含めて解析を深めたい読者向けです。
• 出典メモ: 本章の漸近解析・再帰式・償却解析は、アルゴリズム論の標準教科書群で共通化された手法をベースにしています。実装側の感覚へ戻したいときは 付録B を併用してください。
• 次の一歩: 解析手法をデータ構造へ適用するなら第7章、グラフアルゴリズムへ広げるなら第8章が自然です。コードと理論の往復には 付録B が最も近い補助線になります。

  章末問題

• 代表演習と詳細解答は 付録C（第6章） を参照。
• 追加短題（置換法の練習）: 付録C（ex-6-3）

取り組み方ガイド

迷ったら次の表の順で進め、詰まったら「主に戻る節」にある解析手順・再帰式の解法・典型例を先に見直してください。

基礎問題

1. 以下のアルゴリズムの時間複雑度を解析せよ： (a) 二分探索木での検索（平均・最悪） (b) ヒープソート (c) 基数ソート

2. 以下の各再帰式について、まず定理6.2の基本形を適用できるか判定し、その理由を述べた上で、指定した方法で漸近解を求めよ： \((a) T(n) = 3T(n/4) + n\log n\)（基本形のマスター定理） \((b) T(n) = 2T(n/2) + n\log n\)（再帰木。この章の基本形のケース2を直接適用しない） \((c) T(n) = T(n/3) + T(2n/3) + n\)（置換法。不均等分割なので基本形を適用しない） \((d) T(n) = 3T(n/2) + n\)（基本形のマスター定理。置換法でも照合してよい） \((e) T(n) = 4T(n/2) + n^2\)（基本形のマスター定理） \((f) T(n) = T(n/2) + n/\log n\)（基本形のマスター定理。ケース3の通常性条件も確認する）

• 詳細解答（項目: (e)）: 付録Cの対応解答
• 詳細解答（項目: (c)）: 付録Cの対応解答

1. フィボナッチ数列を計算する以下の方法の時間複雑度を比較せよ： (a) 単純な再帰 (b) メモ化 (c) 動的計画法 (d) 行列累乗

2. 最長共通部分列（LCS）問題を動的計画法で解き、時間・空間複雑度を解析せよ。

• 詳細解答: 付録Cの対応解答

発展問題

1. ランダム化アルゴリズムの脱乱択化について： (a) 決定的な中央値選択アルゴリズムを設計せよ (b) その時間複雑度が O(n) であることを証明せよ

2. FFT（高速フーリエ変換）について： (a) 分割統治による FFT アルゴリズムを説明せよ (b) 時間複雑度 O(n log n) を導出せよ

3. ネットワークフローアルゴリズムの解析： (a) Ford-Fulkerson法の時間複雑度を解析せよ (b) Edmonds-Karp法での改善を説明せよ

4. 文字列照合アルゴリズムの比較： (a) KMP法の前処理と照合の時間複雑度を解析せよ (b) Rabin-Karp法の期待時間複雑度を求めよ

探究課題

1. キャッシュ効率的アルゴリズムについて調査し、キャッシュ無視アルゴリズムの理論を説明せよ。

2. 近似アルゴリズムの解析手法について調査し、近似比の証明技法を例を挙げて説明せよ。

3. オンラインアルゴリズムの競合比解析について調査し、ページング問題での応用を論ぜよ。

4. 量子アルゴリズム（Shorのアルゴリズム、Groverのアルゴリズム）の計算量について調査し、 古典アルゴリズムとの比較を行え。

実装課題

1. アルゴリズム解析ツールを実装せよ：

   class AlgorithmAnalyzer:
       def __init__(self):
           self.execution_data = []
           
       def measure_complexity(self, algorithm, input_generator, sizes):
           """実行時間測定と複雑性推定"""
           pass
           
       def visualize_complexity(self, data):
           """計算量の可視化"""
           pass
           
       def recurrence_solver(self, a, b, f_notation):
           """再帰式のマスター定理による解析"""
           pass
   

2. 動的計画法の問題ソルバーを実装せよ：

   class DPSolver:
       def longest_common_subsequence(self, X, Y):
           """最長共通部分列"""
           pass
           
       def edit_distance(self, s1, s2):
           """編集距離"""
           pass
           
       def knapsack(self, weights, values, capacity):
           """ナップサック問題"""
           pass
           
       def matrix_chain_multiplication(self, dimensions):
           """連鎖行列積"""
           pass
   

3. 高度なデータ構造とアルゴリズムを実装せよ：
   • Union-Find（path compression + union by rank）
   • Suffix Array 構築アルゴリズム
   • 最大流アルゴリズム（Ford-Fulkerson, Dinic）
   • FFT（高速フーリエ変換）