递归算法的时间复杂度分析
在算法分析中，当一个算法中包含递归调用时，其时间复杂度的分析会转化为一个递归方程求解。实际上，这个问题是数学上求解渐近阶的问题，而递归方程的形式多种多样，其求解方法也是不一而足，比较常用的有以下四种方法：
方法一：代换法
代换法主要需要以下两个步骤
1、 猜答案，不需要完全猜出来，不需要知道常熟系数的准确值，而只需要猜出它的形式，比如猜一个递归式的时间复杂度大概是O(n2)，即它的运行时间应该是一个常熟乘以n2，可能还会有一些低阶项。
方法二：递归树法
递归树法主要是通过递归树将递归式展开来找到答案，然后再用代换法证明它，因为递归树法是不严谨的。
例如，用递归树法求T(n) = T(n/2) + n2 , 用递归树法将该递归式展开
像这样将递归树展开并延伸下去，最终到叶子节点就只剩下T(1)，那么该递归树的高度就是logn，因为从顶点n出发，到n/2,到n/4,……最后到1，那么从n到1的折半次数是logn，即高度是logn（应该是一个常数乘以logn，不过没多大关系）。而最下面叶子节点的数目是n，因为从第一层往下，节点数变化为1,2,4,8……，如果树的高度是h，那么就会有2h个叶节点，而高度是logn，那么2logn=n。那么，整体所做的工作加起来就是T(n)了
T(n) = [1+1/2+1/4+……]n2 = 2n2,于是可知时间复杂度为T(n) = O(n2)。
再例如，用递归树法求T(n) = T(n/4)+T(n/2)+n2 ,下面用递归树的方法将该递归式展开
最后，求叶子节点的数目有点麻烦，因为分支的递归速度是不一样的，左边降低到n/16的时候，右边才降低到n/4，左边子树的高度将会比右边子树的高度要小。可以看到叶子节点的数目必然小于n，因为最开始的问题大小是n，然后递归成一个n/4和n/2的两个子问题，直到最后递归到1停止，而n/4+n/2 < n , 所以最后叶子节点的数目不会超过n，将每层求和就得到T(n)，经过观察发现一个等比数列，于是数学归纳法开始派上用场
T(n) = (1+5/16+25/256+……)n2≤2n2 =O(n2) 于是得到该递归式时间复杂度为O(n2)，因为是猜出来的等比数列，于是需要用数学归纳法证明之，就又变成方法一中代换法求证了。
方法三：主方法 (master method)
该方法仅适用于特定格式的递归式
同时要求f(n)渐进趋正，即当n->无穷时，f(n)>0。（我觉得上图中第2,3中少了个logn，具体请参考算法导论一书中对时间复杂度的讨论）
例如:
T(n)=4T(n/2)+n ， 则a=4,b=2,f(n)=n，计算nlog(b,a)=n2>f(n), 满足模式一，因此T(n) = nlog(b,a)=O(n2)
T(n)=4T(n/2)+n2，则根据上面计算，满足模式二，因此T(n)=O(n2logn)
T(n)=4T(n/2)+n3，满足模式三，T(n)=O(n3)
对于该方法的正确性，可以通过递归树的方法证明，懒的画了，可以在大脑里构思出这样一个草图：
在第一层，f(n)分解为a个子问题，每个子问题都是f(n/b)，第二层每个子问题又分解为a个子问题，每个问题都是f(n/b2)……这样递归分解下去，最后的叶子还是O(1)，整个树的高度就是log以b为底n的对数，整个的叶子节点数目为a的log以b为底n的对数次方（alog(b,n)），即nlog(b,a)个叶子节点。每个分支的递减速度是一样的，将每层都加在一起便得到T(n)
，此时就需要对f(n)的情况进行讨论（于是就是上面的1,2,3）。