Recursion 递归 ⛵Data Structures and Algorithms⚓

本文详细介绍了递归的概念、类型和应用,包括递归的基本思想、递归调用的内存栈操作、尾递归、非尾递归、间接递归、嵌套递归和不合理递归。特别地,通过八皇后问题阐述了回溯算法的原理和解决思路,展示了递归在解决复杂问题中的重要作用。
摘要由CSDN通过智能技术生成

Recursion 递归

程序调用自身的编程技巧称为递归recursion)。 一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法,它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解,递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算,大大地减少了程序的代码量。
递归的基本思想,是把规模较大的一个问题,分解成规模较小的多个子问题去解决,而每一个子问题又可以继续拆分成多个更小的子问题。
递归的能力在于用有限的语句来定义对象的无限集合。一般来说,递归需要有边界条件、递归前进段和递归返回段。当边界条件不满足时,递归前进;当边界条件满足时,递归返回。

Recursion 图解

在程序每次执行时,内存给程序开辟一个运行时栈,无论是主函数 main() 还是其他函数调用,都会在运行时栈中建立活动记录。起初,主函数 main() 压入运行时栈,假定,主函数 main() 调用函数 f1(),函数 f1() 压入运行时栈,函数 f1() 调用函数 f2(),函数 f2() 压入运行时栈,函数 f2() 调用函数 f3(),函数 f3() 压入运行时栈。
若函数 f3() 正在运行,当函数 f3() 运行结束,函数 f3() 弹出运行时栈,当函数 f2() 运行结束,函数 f2() 弹出运行时栈,当函数 f1() 运行结束,函数 f1() 弹出运行时栈,当主函数 main() 运行结束,函数 main() 弹出运行时栈,程序执行结束。
在这里插入图片描述
Recursion 其实就是重复的调用函数本身,如重复的调用函数 f1(),直到 f1() 不在压入运行时栈,运行时栈从栈顶陆续弹出 函数 f1()

Tail Recursion 尾递归

尾递归:在每个函数实现的末尾只使用一个递归调用。也就是说,当进行调用时,函数中没有其他剩余的语句要执行;递归调用不仅是最后一条语句,而且在这之前也没有其他直接或者间接的递归调用。
例如,函数 tail() 定义如下:

void tail(int i) {
   
	if (i > 0) {
   
		std::cout << i << ' ';
		tail(i - 1);
	}
}

尾递归只是一个变形的循环,很容易用循环来替换。tail() 可以用一个迭代函数来代表:

void iterTail(int i) {
   
	for (; i > 0; i--) {
   
		std::cout << i << ' ';
	}
}

Non-tail Recursion 非尾递归

非尾递归 =! 尾递归
如,非尾递归可以实现栈的操作:

void reverse() {
    /* 将输入行以相反的顺序输出 */
	char ch;
	std::cin.get(ch);

	if (ch != '\n') {
   
		reverse();
		std::cout.put(ch);
	}
}

Indirect Recursion 间接递归

间接递归:函数 f() 可以通过一系列其他调用来间接地调用自身(中间链不限

  • 函数 f() 调用函数 g(), 函数 g() 调用函数 f()
    • f() -> g() -> f()
    • f() -> g() -> h() -> j()… -> z() -> f()

Nested Recursion 嵌套递归

嵌套递归:该调用函数作为参数进行下一环节的调用(嵌套不限
h ( n ) = { 0 n = 0 n n > 4 h ( 2 + h ( 2 n ) ) n < = 4 h(n)=\begin{cases} 0 & n = 0 \\ n & n > 4 \\ h(2 + h(2n)) & n <= 4 \end{cases} h(n)=

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值