解递归式方法

分解：将原问题划分成形式相同的子问题，规模可以不等，对半或2/3对1/3的划分。

解决：对于子问题的解决，很明显，采用的是递归求解的方式，如果子问题足够小了，就停止递归，直接求解。

合并：将子问题的解合并成原问题的解。

这里引出了一个如何求解子问题的问题，显然是采用递归调用栈的方式。因此，递归式与分治法是紧密相连的，使用递归式可以很自然地刻画分治法的运行时间。所以，如果你要问我分治与递归的关系，我会这样回答：分治依托于递归，分治是一种思想，而递归是一种手段，递归式可以刻画分治算法的时间复杂度。

解递归式:

这里有三种方法：代入法、递归树法和主方法。

代入法：

定义：先猜测某个界的存在，再用数学归纳法去证明该猜测的正确性。
缺点：只能用于解的形式很容易猜的情形。
总结：这种方法需要经验的积累，可以通过转换为先前见过的类似递归式来求解。

递归树法：

起因：代换法有时很难得到一个正确的好的猜测值。
用途：画出一个递归树是一种得到好猜测的直接方法。
分析(重点)：在递归树中，每一个结点都代表递归函数调用集合中一个子问题的代价。将递归树中每一层内的代价相加得到一个每层代价的集合，再将每层的代价相加得到递归式所有层次的总代价。
总结：递归树最适合用来产生好的猜测，然后用代换法加以验证。
递归树的方法非常直观，总的代价就是把所有层次的代价相加起来得到。但是分析这个总代价的规模却不是件很容易的事情，有时需要用到很多数学的知识。

主方法：

主方法是最好用的方法，书本上以”菜谱“来描述这种方法的好用之处，它可以瞬间估计一个递推式的算法复杂度。但是我们知道，这后面肯定是严格的数学证明在支撑着，对于我们用户来说，我们只用知道怎么用就行了。

优点：针对形如T(n) = af(n/b) + f(n)的递归式

缺点：并不能解所有上述形式的递归式，有一些特殊情况，见下文分析。

分析：三种情况，如下图，着重看圈线的部分:

直觉：看 f(n) 和 n^logb ^ a 的关系，谁大取谁，相等则两个相乘，但要注意看是否相差因子 nε。对于3），还要看是否满足条件 af(n/b) <= cf(n) .

就像上面所说的，该方法不能用于所有的形如上式的递归式，f(n)和n^logb ^ a的关系必须是多项式意义上的小于大于，即渐近关系（渐近小于、渐近大于），什么是渐近，就是两者相差一个因子nε。所以，在情况1和情况2之间有一定的间隙，同样情况2和请看3之间也有一定的间隙；对于情况3，还要看是否满足正则条件。

例子：

代入法：（凭直觉、经验）

1）、习题4.3-1：T(n) = T(n-1) + n

2）、习题4.3-2：T(n) = T(n/2) + 1

递归树法：

1）、对递归式T(n) = 3T(n/2) +ｎ，利用递归树确定一个好的渐近上界，用代入法进行验证。

2）、对递归式T(n) = T(n/2) + n2，利用递归树确定一个好的渐近上界，用代入法进行验证。

主方法：

1）、对于下列递归式，使用主方法求出渐近紧确界。

a、T(n) = 2T(n/4) + 1

b、T(n) = 2T(n/4) + n^1/2

c、T(n) = 2T(n/4) + n

d、T(n) = 2T(n/4) + n^2

e. T(n) = 3T(n/4) + nlgn

我们有 a = 3，b = 4，f(n) = nlgn，因此n^logb ^ a = nlog4^3 = O(n^0.793) 。由于 f(n) = Θ(nlgn) = Ω(n) = Ω(n^0.793+0.207)，因此可以考虑应用于情况3，其中 ε = 0.207。但需要检查是否满足条件：当 n 足够大时，存在 c<1 使 af(n/b) ≤ cf(n) 。

令 3f(n/4) ≤ cf(n) 有
3n/4lg(n/4) ≤ cnlgn
3/4(lgn - lg4) ≤ clgn
(3/4 - c)lgn ≤ 3/4lg4
容易发现，当 c ≥ 3/4 时，上式对于足够大的 n 恒成立。因此可以使用主定理的情况3，得出递归式的解为 T(n) = Θ(nlgn) 。