Fibonacci，懂你

豆瓣上看到有人推荐S. Dasgupta, C. H. Papadimitriou, 和U. V. Vazirani 写的Algorithms，随手翻了下⋯⋯

学计算机的没有不知道Hanoi 塔和Fibonacci 数列的。但Hanoi 塔问题是死的，而求解Fibonacci 数列却精彩不断。

Fibonacci 数列F₀, F₁, F₂, ... 是这样定义的：

F₀ = 0, F₁= 1, F_n = F_n-1 + F_n-2.

如果用定义来求解，计算F_n至少需要F_n-1 + F_n-2 + 1 次加法（还不算对递归终点的判断），也就是说用这种策略计算F_n 所需的加操作不少于其自身。那F_n 是个什么数量级呢？F_n ≥ 2^0.5n (n ≥ 6)

不信？

F₀ = 0, F₁ = 1, F₂ = 1, F₃ = 2, F₄ = 3, F₅ = 5, F₆ = 8, ...

2^0/2 = 1, 2^1/2 = √2, 2^2/2 = 2, 2^3/2 = 2√2, 2^4/2 = 4, 2^5/2 = 4√2, 2^6/2 = 8, ...

现在开始绑定自然数（数学归纳啦）：

设F_k ≥ 2^k/2 (6 ≤ k < n)，则F_n = F_n-1 + F_n-2 ≥ 2·F_n-2 ≥ 2·2^(n-2)/2 = 2^n/2 

0.5 应该是个比较糙的估计，上限是多少呢？

设F_k ≥ 2^ck (6 ≤ k < n)，则F_n = F_n-1 + F_n-2 ≥ 2^c(n-1) + 2^c(n-2) = 2^c(n-2) (2^c + 1) ≥ 2^cn  ，即 2^c + 1 ≥ 2^2c 

简单吧，一元二次方程。令t = 2^c ，则t² - t -1 ≤ 0 。还因为{F_n} 递减，所以2^c > 1 = 2⁰，0 < t ≤ (1+√5)/2，c ≤ log₂(1+√5) - 1 ≈ 0.694

把不等号方向颠倒还可以得到Fn ≤ 2^0.694n，故Fn = Θ(2^0.694n)

故事并没有结束，注意到算F_n需要知道F_n-1和 F_n-2，而 F_n-2 在算 F_n-1 时已经算过一次。如果我们把计算结果都存上(memorization)，完全可以在线性时间内求解。更进一步，存储整个数列是否必要，我们需要的只不过是最后两项啊。由此可以得到自底向上版本（动态规划？）：

 

def fib(n) fn_1, fn_2 = 0, 1 (1..n).each { fn_1, fn_2 = (fn_1 + fn_2), fn_1 } fn_1 end p fib 7 # >> 13 

都O(n)了，但故事还没有结束。你可能知道Fibonacci 数列有个解析解（就是一个直接计算，不用递归的公式）：

√5是个无理数，但结果确是整数。用浮点肯定会有误差，而且还不知道会不会发散⋯⋯再说就算用符号计算还不是得乘n次，复杂度没降啊。此路不通！

但是，故事还是没有结束。

虽然只是换了种写法，但世界因此不同^o^。谁说幂运算是线性的！看好了，2⁴ = (2²)² = 4² = 16 可只用了两次（准确的说是⌈log₂ 4 ⌉次）乘法！ 

def matrix2_2_times(a, b) [[a[0][0]*b[1][0] + a[0][1]*b[1][0], a[0][0]*b[0][1] + a[0][1]*b[1][1]], [a[1][0]*b[0][0] + a[1][1]*b[1][0], a[1][0]*b[0][1] + a[1][1]*b[1][1]]] end def matrix_power(a, n) return a if n == 1 m = matrix_power(a, n/2) if n % 2 == 0 pow = matrix2_2_times(m, m) else pow = matrix2_2_times(a, matrix2_2_times(m, m)) end pow end u = [[0, 1], [1, 1]] matrix_power(u, 6) # => [[6, 8], [8, 13]] 

复杂度是O(log n)！

故事该结束了吧⋯⋯还没有。

是，我们只用了O(log n)次加法和乘法，但当数项不断增大，加法和乘法都不能在在常数时间内完成。时间复杂度的下限到底是多少？这个正在看-_-!

P.S. 学算法最痛快就是看着别人一点点改进（比如《编程珠玑》里提到的对N体问题的改进），就像看Harry Potter 一点点长大；

P.P.S 学算法最痛苦就是学了却不知道别人怎么想出来的⋯⋯

P.P.P.S 故意把小Ron 弄掉的，邪恶吧^o^