递归的时间复杂度

从数据规模变化的角度来思考：

1. T(N)=T(N/2)+O(1)
   如果每次递归使问题的规模减半，而其他操作都是常数时间， 则T(N)=O(logN)。比如二分法查找，就是很棒的例子。

2. T(N)=T(N-1)+O(1)
   若每次递归使用问题的规模减1，而其他操作是常数时间，则T(N)=O(N)。比如我前几天写的链表翻转（递归实现，是一般递归不是尾递归）

3. T(N) = T(N/2)+O(N)
   若每次递归使问题的规模减半，而其他操作是线性时间，则T(N)=O(NlogN)。很典型就是快排【注1】和归并。

参考1
参考2

注1：快排的平均时间复杂度是nlogn，因为一个快排树的高度被拆成logN，每层的问题被拆成x个，每个问题的数据规模是N/x，所以每层空间复杂度还是N，高度乘以每层就是NlogN。但是有一种极端情况：比如向深层递归时候每次左边只有1个元素排序，右边有n-1个元素排序，这样递归树就是高度为N，时间复杂度就是N×N了。关键还是看递归树的高度如何（问题规模的拆解如何）。
T(N) = 2T(N/2) + N

class Qs(object):
	def sort(self, ls, begin, end):
		# 时间复杂度N*O(1) = N
		if begin >= end: return
		landmark = ls[begin]; r = end; l = begin
		while l < r:
			while ls[r] >= landmark and r > l:
				r -= 1
			ls[l] = ls[r]
			while ls[l] < landmark and l < r:
				l += 1
			ls[r] = ls[l]
		ls[r] = landmark
		# 2 * T(N/2)时间复杂度
		self.sort(ls, begin, r-1)
		self.sort(ls, r+1, end)