考虑下面的问题：对n个元素的序列A进行快速排序。快速排序算法是一种分治的算法。算法首先选取一个轴元素x，然后把A分成两个子序列A0和A1，其中A0中的所有元素小于x,而A1中的所有元素大于等于x,这是算法的分割部分。对得到的子序列递归地进行上面的分割过程，然后用经过排序的子序列组合成最后的结果序列A'。快速排序的过程可以用下面的图来示例。
　　

　　其中的深色的元素为选中的轴元素。
　　现在考虑如何根据算法的分-治特性来对快速排序算法进行任务分解。从上面的图可以看出，对任务树的每一层，每个子任务的继续分割是可以并行执行的，而且它们互相独立。因此对计算的分解实际上也是一棵树。算法开始时，只有一个序列（树的根节点），我们用一个处理器来完成对它的第一次分割。分割完成后，我们得到了第一层中的2个子序列，对这两个子序列的分割可以在两个处理器上分别进行，（如果序列足够长）树中的第i层中会出现2ⁱ个子序列，它们可以由2ⁱ个处理器独立并行完成。

　　递归分解处理的问题（的串行算法）并不一定是递归的。比如下面的问题：n个元素的未排序序列A，求A的最小值。下面的串行算法对A采取逐个扫描的方法：

　　　Minimum(A, n)
　　　{
　　　　min = A[0]；
　　　　for (i=1; i<n; i++)
　　　　　if (A[i] < min)
　　　　　　min = A[i]；
　　　　return min；
　　　}

　　这个算法本身没有表现出任何的并行性（实际上与min的使用有关）。一种可行的解决办法是采用分治的策略来重新得到一个算法，然后采用递归分解的方法来开发并行性。改写后的算法如下（递归算法）：

　　　Minimum(A, n)
　　　{
　　　　if (n == 1)
　　　　　return A[0]；
　　　　lmin = Minimum(A, n/2)；
　　　　rmin = Minimum(A+n/2,n-n/2)；
　　　　if (lmin < rmin)
　　　　　return lmin；
　　　　else
　　　　　return rmin；
　　　}

　　这个算法很好理解，思路与上面的快速排序几乎一样。上面算法的递归树如下图（对8个元素的序列进行操作）所示：
　　　　　　　

　　现在对任务的分解就简单多了。注意与前面的并行快速排序算法相反，这个分-治算法更多的计算时间花费在结果的组合阶段。因此，这个算法的并行版本在执行时，最开始有n个任务可以并行执行（虽然不需要），然后可以并行执行的任务依次减半（沿着树往上走），到根节点时，只能由一个处理器执行来的到最后的结果。