今天看到的，先记录下来。

转自：http://my.oschina.net/cashlang/blog/16725

主方法和递归树

这真的是2个很牛叉的算法分析方法，你可以用主方法瞬间估算出算法的复杂度

Master Method 

T(n) = aT(n/b)+h(n)

a >=1 ; b >1 ; h(n) : 不参与递归的复杂度函数

判断n^log b (a)与h(n)的大小关系

= Θ(h(n)) ：该方法的复杂度为   Θ(h(n)*lg(n))

> Θ(h(n)) ：该方法的复杂度为   Θ(n^(log a/log b))

< Θ(h(n)) ：该方法复杂度为 Θ(h(n))

这样可以帮助你快速的分析出你得算法的复杂度是否符合要求。

Recursion Tree Method

主要是把递归式转换成树的形式，则利用树的数学概念和特性可以知道树高和叶子结点个数，从而可以求解出算法的复杂度。当然这种方法更合适你去验证自己的结论，因为是严格的证明过程。

************************************************************************************

************************************************************************************

另外一篇：递归树

转自：http://blog.sina.com.cn/s/blog_6dd607f50100v72q.html

求递归算法时间复杂度：递归树

 

(2011-09-22 11:53:34)
转载▼

递归算法时间复杂度的计算方程式一个递归方程：

　　在引入递归树之前可以考虑一个例子：

　　T(n) = 2T(n/2) + n²

　　迭代2次可以得：

　　T(n) = n² + 2(2T(n/4) + (n/2) ²)

　　还可以继续迭代，将其完全展开可得：

　　T(n) = n² + 2((n/2) ² + 2((n/2²)² + 2((n/2³) ² + 2((n/2⁴) ² +…+2((n/2ⁱ) ² + 2T(n/2^{i + 1})))…))))　　……(1)

　　而当n/2ⁱ⁺¹ == 1时，迭代结束。

　　将(1)式小括号展开，可得：

　　T(n) = n² + 2(n/2)² + 2²(n/2²) ² + … + 2ⁱ(n/2ⁱ)² + 2ⁱ⁺¹T(n/2ⁱ⁺¹)

　　这恰好是一个树形结构，由此可引出递归树法。

　　图中的(a)(b)(c)(d)分别是递归树生成的第1,2,3,n步。每一节点中都将当前的自由项n²留在其中，而将两个递归项T(n/2) + T(n/2)分别摊给了他的两个子节点，如此循环。

　　图中所有节点之和为:

　　[1 + 1/2 + (1/2)² + (1/2)³ + … + (1/2)ⁱ] n² = 2n²

　　可知其时间复杂度为O(n²)

　　可以得到递归树的规则为：

　　(1) 每层的节点为T(n) = kT(n / m) + f(n)中的f(n)在当前的n/m下的值；

　　(2) 每个节点的分支数为k；

　　(3)每层的右侧标出当前层中所有节点的和。

　　再举个例子：

　　T(n) = T(n/3) + T(2n/3) + n

　　其递归树如下图所示：

　　可见每层的值都为n，从根到叶节点的最长路径是：

　　因为最后递归的停止是在(2/3)^kn == 1.则

　　于是

　　即T(n) = O(nlogn)　

　　总结，利用此方法解递归算法复杂度：

　　f(n) = af(n/b) + d(n)

　　1.当d(n)为常数时：

　　2.当d(n) = cn 时：

　　3.当d(n)为其他情况时可用递归树进行分析。

　　由第二种情况知，若采用分治法对原算法进行改进，则着重点是采用新的计算方法缩小a值。