主方法

–《算法导论第三版》第4章 分治策略
主方法为如下形式的递归式提供了一种 “ 菜谱” 式的求解方法：
$$T(n)=aT(\frac{n}{b})+f(n)$$

1. 其中$a⩾1$和$b>1$是常数，$f(n)$是渐近正函数。
   上述递归式描述的是这样一种算法的运行时间： 它将规模为n的问题分解为a个子问题，每个子问题规模为$\frac{n}{b}$，其中a和b都
   是正常数。a个子问题递归地进行求解，每个花费时间$T(\frac{n}{b})$。函数$f(n)$包含了问题分解和子问题解合并的代价。
2. 其中$\frac{n}{b}$可能不是整数，但将式中$T(\frac{n}{b})$替换为$T(\lceil \frac{n}{b}\rceil )$或$T(\lfloor \frac{n}{b}\rfloor )$不会影响递归式的渐进性质。

主方法主要依赖于主定理。（证明详见《算法导论第三版》P55）
(主定理)令$a⩾1$和$b>1$是常数，$f(n)$是一个函数，$T(n)$是定义在非负整数上的递归式:
$$T(n)=aT(\frac{n}{b})+f(n)$$
其中我们将$\frac{n}{b}$解释为$\lceil \frac{n}{b}\rceil$或$\lfloor \frac{n}{b}\rfloor$。那么$T(n)$有如下渐进界：

1. 若对某个常数$\epsilon >0$有$f(n)=O(n^{lo{g}_{b}a-\epsilon })$，则$T(n)=\Theta (n^{lo{g}_{b}a})$。($f(n)$多项式意义上的小于(渐进小于)$n^{lo{g}_{b}a}$)
2. 若$f(n)=\Theta (n^{lo{g}_{b}a}l{g}^{k}n)$，则$T(n)=\Theta (n^{lo{g}_{b}a}l{g}^{k+1}n)$。
3. (若对某个常数$\epsilon >0$有$f(n)=\Omega (n^{lo{g}_{b}a+\epsilon })$)，且对于某个常数$c<1$和所有充分大的n有$af(\frac{n}{b})⩽cf(n)$，那么$T(n)=\Theta (f(n))$。 ($f(n)$多项式意义上的大于(渐进大于)$n^{lo{g}_{b}a}$)

例如，描述Strassen算法的递归式中，$a=7$，$b=2$，$f(n)=\Theta (n^2)$$\Rightarrow$$T(n)=\Theta (n^{lo{g}_{2}7})$。