快速求解递归的时间复杂度Master公式

以求解" 利用递归实现求一个数组的最大值 " 为例说明Master公式：

问题描述：利用递归方式找一个数组中的最大值。

代码实现：

public class Code {
    
    public static int getMax(int[] arr) {
        return process(arr,0,arr.length - 1);
    }

    // arr[L..R]范围上的最大值
    public static int process(int[] arr,int L,int R) {
        if(L == R) { // arr数组只有一个数时，直接返回
            return arr[L];
        }
        // 求中点
        int mid = L + ((R -L) >> 1); 
        int leftMax = process(arr,L,mid);
        int rightMax = process(arr,mid+1,R);
        return Math.max(leftMax,rightMax);
    }
}

我们通常求中点的方法是mid = (L+R)/2，如果数组的长度比较大的话，(L+R)有可能会溢出，溢出之后再除2就不对了。所以为了防止这种情况发生，可以写成mid = L + (R -L)/2，这样就不会发生溢出了，右移一位等同于除2。为什么要使用右移一位的方式呢？因为右移一位比除2要快。

递归树分析：

 每一个结点都只有计算完子节点往上汇总的时候才能知道结果；递归过程实际上就是用系统栈把整个过程压栈了。

分析递归行为时间复杂度估计：

Master公式：估计一系列比较特殊的递归行为的时候它可以这么估计。

 首先来看一下怎么理解这个式子:

• T(N)：指的是母问题的数据量是N级别的。就是说母问题一共有N个数据，规模是N。
• T(N/b)：指的是这个子问题的规模都是(N/b)规模的子问题，也就是说每一次子问题的规模都是等量的。
• "a"：指的是这个子问题被调了多少次，调用次数。
• O(N^d)：指的是除去子问题调用之外剩下的过程的时间复杂度。

就这样一类的递归可以由Master公式来求解时间复杂度。

对比刚才递归求解最大值问题：

一开始调用Process 就是母问题。而每一次子问题就是都是等量的，第一次子问题规模是"T(N/2)"，第二次子问题规模是"T(N/4)"。除了子问题之后，剩下的时间复杂度就是O(1)。

由此可见，我们刚刚写的 process 函数满足master表达式的特征，我们写出它的Master表达式为：T(N)=2*T(N/2)+O(1)。

统一符合Master公式模型的递归，它的时间复杂度可以直接求，只需要确定参数a b d的值即可求出时间复杂度。

刚才的例子的时间复杂度使用Master公式得出是O(N)，等效于从左到右遍历一遍求最大值。