विभाजन र विजय समस्यालाई (1) विभाजन गरेर साना उप-समस्याहरूमा, (2) विजय गरेर प्रत्येकलाई पुनरावर्ती रूपमा, र (3) संयोजन गरेर नतिजा दिएर समस्या समाधान गर्छ। धेरै कुशल एल्गोरिदमहरू यस टेम्प्लेट अनुसरण गर्छन्।
यदि उप-समस्याहरू स्वतन्त्र छन् र द्रुत संकुचित हुन्छन्, तब कुल कार्य recurrence अनुसरण गर्छ जसलाई तपाई Master Theorem सँग विश्लेषण गर्न सक्नुहुन्छ।
def max_dc(arr, lo, hi):
if lo == hi: # base case: one element
return arr[lo]
mid = (lo + hi) // 2
left = max_dc(arr, lo, mid) # conquer left
right = max_dc(arr, mid + 1, hi) # conquer right
return max(left, right) # combine
max_dc([3, 9, 2, 7], 0, 3) # -> 9
प्रायः T(n) = a·T(n/b) + f(n); merge sort को लागि, T(n) = 2T(n/2) + O(n) = O(n log n)।
यदि समस्या स्पष्ट रूपमा विभाजित हुन्छ स्वतन्त्र उप-समस्याहरूमा प्रयोग गर्नुहोस्। यदि उप-समस्याहरू ओभरल्याप हुन्छन्, तब गतिशील प्रोग्रामिङ् नियै सिफारिश गर्नुहोस् (पुनरगणना बचाउन)। Recursion ओभरहेड र संयोजन चरण साना इनपुटहरूको लागि प्रभावी हुन सक्छ।
विभाजन र विजय कुशल एल्गोरिदमहरूको ठूलो अंशको पछाडि एक पुनः प्रयोगमा सक्षम नकसा हो।
प्रतिमान पहिचान गर्नुले तपाईलाई नयाँ एल्गोरिदमहरू व्युत्पन्न र विश्लेषण गर्न द्रुत सक्षम गर्छ recurrence सँग।
यो parallelism मा पनि स्वाभाविक रूपमा म्याप गर्छ, किनभने स्वतन्त्र उप-समस्याहरू एकै साथ चल्न सक्छन्।