递归和迭代（深度优先，广度优先）的差异

递归和迭代的差异

简单对比一下递归和迭代的差异，针对全排列问题，一个用递归实现，一个用迭代（深度优先，广度优先）的方式分别实现，均在相同计算机环境下比较。

计算机	配置
处理器	Intel® Core™ i7-8700K CPU @ 3.70GHz，3696 Mhz，6 个内核，12 线程
总的物理内存	16.0 GB

题目：力扣-46.全排列
给定一个不含重复数字的数组 nums ，返回其 所有可能的全排列 。你可以 按任意顺序 返回答案。
示例 1：
输入：nums = [1,2,3]
输出：[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]]
示例 2：
输入：nums = [0,1]
输出：[[0,1],[1,0]]

实验：

依次测试[1],[1,2],[1,2,3],…,[1,…,10]算例，记录两个方法所用时间，结果如图所示。算法运行时间限制60s，超过即停止。

结论： 迭代（深度优先）和递归差不多，与预期相符；迭代（广度优先）速度差很多，代码实现是一方面，广度优先循环次数远远多余前面两者。总体而言：

• 递归现实最为简洁，没有无效搜索，缺点是难以debug，问题复杂以后需要一定经验；
• 迭代（深度优先）教易理解和调试，推荐；
• 迭代（广度优先）慎用！！！

实验代码：

from time import time
import matplotlib.pyplot as plt
from tqdm import trange

def recursion(nums):
    '递归'
    res = []
    def backtrack(nums, tmp):
        if not nums:
            res.append(tmp)
            return 
        for i in range(len(nums)):
            backtrack(nums[:i] + nums[i+1:], tmp + [nums[i]])
    backtrack(nums, [])
    return res

def iteration_dfs(nums):
    '迭代循环 —— 深度优先'
    res = []
    Queue = [[i] for i in nums]
    while Queue:
        q = Queue.pop(-1)
        if len(q) == len(nums):
            res.append(q)
            continue
        for i in nums:
            if i not in q:
                q_ = q[:]
                q_.append(i)
                if q_ not in Queue:
                    Queue.append(q_)
    return res
            
def iteration_bfs(nums):
    '迭代循环 —— 广度优先'
    res = []
    Queue = [[i] for i in nums]
    while Queue:
        q = Queue.pop(0)
        if len(q) == len(nums):
            res.append(q)
            continue
        for i in nums:
            if i not in q:
                q_ = q[:]
                q_.append(i)
                if q_ not in Queue:
                    Queue.append(q_)
    return res

x = list(range(1,11))
y1 = []
y2 = []      
for i in trange(1,11):
    input = list(range(i))
    s1 = time()
    res1 = recursion(input)
    s1time = time()-s1
    y1.append(s1time) 
    s2 = time()
    res2 = iteration_dfs(input)
    s2time = time()-s2
    y2.append(s2time)   
    s3 = time()
    res3 = iteration_bfs(input)
    s3time = time()-s3
    y3.append(s3time)   

plt.plot(x,y1,color='b',label='recursion')
plt.plot(x,y2,color='g',label='iteration_dfs')
plt.plot(x,y3,color='r',label='iteration_bfs')
plt.legend()
plt.xlabel('问题规模')
plt.ylabel('时间(s)')
# plt.savefig('results.jpg')