掌握归并排序前首先理解递归行为

递归行为

“大事化小” 讲的就是一个递归的思想，把一个规模大的问题通过划分成小问题去解决，小问题继续划分

递归的联想理解

递归像是你在金字塔的顶端，要收集最底的宝藏，你每下一层看没有宝藏，找到了去往下一层的门，继续去下一层，层和层之间的楼梯都是一样的，看上去走的行程是一样的，实际上它们是不同的楼梯，等你走到底拿了宝藏，你还要一层一层再爬回去。

递归的基本思想

“有来有回” 以及常听到的 “自己调用自己”

当划分为多个子问题处理时，重要的一点是子问题解决了，才可以继续解决基于子问题的问题

举个例子

一个数组左边界是L，右边界是R，（L和R都是位置），我们想要寻找这个数组的最大值，我们现在将数组一分为二，分别找出数组左部分的最大值，和数组右部分的最大值，最后返回二者之中的最大值。
5，3，1，8，6，2
L，1，2，3，4，R

var maxArr = [5,3,1,8,6,2];
function getMax(arr,L,R){
	if(L == R){
	return arr[L];
	}
	var mid = (L+R)/2;
	var maxLeft = getMax(arr,L,mid);
	var maxRight = getMax(arr,mid+1,R);
	return max = Math.max(maxLeft,maxRight);
}
getMax(maxArr,0,maxArr.length-1);
console.log(max);

可以看到提示代码错误：
“Maximum call stack size exceeded” 超过最大调用栈大小

原来系统用的是栈结构来解决这个问题，不过我们先改写代码使它通过随后详细讲解。

我们将var mid = (L+R)/2;改为var mid = L + ((R - L) >> 1);

打印出数组最大值8

因为L，R表示下标时，L不会溢出，R不会溢出，L+R可能溢出，mid = (L+R)/2算出的mid可能是错误的，这样是不安全的，但mid = （L+(R-L)/2）<R，R不溢出，所以绝对不会有溢出问题，最后用右移运算抖机灵。

深入剖析递归行为

递归就是系统帮你压栈
递归函数getMax(arr,L,R)开始，系统准备一个栈，首先L和R相等吗，相等则说明数组只有一个元素则直接返回，否则继续。首先L=0，R=5，产生一个变量mid = 2，随后变量maxLeft需要子过程来产生，系统做的工作是把getMax(arr,0,5)以及代码跑到第几行，mid = 2等信息全部压入栈中，然后调用子过程，先当与这个函数被归挡，先跑子过程，继续跑getMax(arr,0,2),一直继续直到触发L == R，即执行 return arr[L]返回。然后进行弹栈操作，读取弹栈后的栈顶的信息，完全还原现场当时的信息，即发生到哪个子过程，代码跑到第几行，再继续执行之后的子过程，最终串起来子过程和父过程的通信。

任何递归行为都可以改成非递归
将系统压栈改成自己压栈，就变成了非递归，即迭代

递归行为的复杂度

Master公式
T(N) = aT(N/b) + O(N^d)
T(N)表示样本量为N的时间复杂度
T(N/b)表示子样本的样本量
a表示子过程发生的次数
O(N^d)表示除过子样本发生之后剩下的操作的时间复杂度

以之前的例子为例，在一个数组中寻找最大值，数组一切为2，整个数组样本量为N，左边一半，样本量为N/2，右边一般，样本量为N/2，左边跑完跑右边，样本量为N/2的过程发生了2次，跑完子过程之后，比对最大的数值然后返回，是常数量的复杂度。
即：T(N) = 2T(N/2)+O(1)

Master公式的使用

T(N) = a*T(N/b) + O(N^d)

1. log(b,a) > d -> 复杂度为O(N^log(b,a))
2. log(b,a) = d -> 复杂度为O(N^d * logN)
3. log(b,a) < d -> 复杂度为O(N^d)

划分子问题的规模一样才可以用master公式

上面的例子，a = 2， b = 2，d = 0 则O(N) = O(N）

一些补充

我们在分析一个问题写算法的时候，只关心一步，即父问题转换为子问题那一步，我们只需要知道它们大层面的关系，子问题继续转换子问题以及如何转换，转换多少次，不需要去关心。
划分是一个大范围对等的划分，例如：如果是奇数个数数组，划分为两部分，数据不对等也属于正确。