菲波拉契数的时间-空间复杂度--递归树

最新推荐文章于 2024-04-24 20:54:29 发布

丶欣丶

最新推荐文章于 2024-04-24 20:54:29 发布

阅读量517

点赞数 1

文章标签： python

本文链接：https://blog.csdn.net/ad121598743/article/details/117368576

版权

这篇博客探讨了斐波拉契数列的Python实现，包括递归和迭代两种方法。递归方法的时间复杂度为2^n，空间复杂度为O(n)，而迭代法的时间复杂度降低到O(n)，空间复杂度优化为O(1)。文章通过实例展示了如何计算这两种方法的复杂度，并对比了它们在实际运行时间上的差异。最后，提到了可以通过公式进一步优化时间复杂度至O(1)。

摘要由CSDN通过智能技术生成

1.python的简单实现

菲波拉契数的python代码的简单实现：1 ,1,2,3,5,8,13,21,34...

可以看出，后面的数是前两个数的和。

# 菲波拉契数

# 委递归计算
# 时间复杂度为：2^n
# n从1开始
def fib(n):
    if n < 3:
        return 1
    return fib(n-2) + fib(n-1)

print(fib(40))

菲波拉契数的时间复杂度的计算

我们可以看出，菲波拉契数的时间复杂度可以用下面的公式表示：

T(n) = T(n-1) + T(n+1)

我们可以先简单的写一个求第10个的数的递归过程：

我们先将其画到递归结束的程度，而我们每层的每一个f(n)都有一个加法的操作，所以每层的f(n)都需要一个时间复杂度（这样写好理解一些），所以：

所以我们求n个数时：O( $2^{n-1}$ )，所以最终的复杂度是O( $2^{n}$ ).

2.空间复杂度计算（递归的空间复杂度计算）

所谓的空间复杂度，就是用于保存变量的空间。如：

def add():
    a,b = 0,0
    for i in range(100):
        for j in range(100):
            a += i
            b += j
            s = a + b
    return s

上面的代码的空间复杂度为O(1)，运行后，一共需要4个单位的空间复杂度，因为一共保存了4个变量。

上面的非常好看出来，那么递归代码的空间复杂度怎么计算呢？

比如：上面的菲波拉契数的空间复杂度计算？

先说说上下文切换吧，什么叫上下文的切换呢？在操作系统里面，在函数f1中，调用了f2，在f2中我们调用了f3，这种函数与函数的每次的调用关系，我们称之为上下文切换。而每一次的上下文切换，我们都需要有一个内存空间的使用，内存空间的使用有两种方法：

通过变量的方式使用
上下文切换的操作，也会占内存空间

上面两种的方法占用的内存空间是不一样的。好了，我们回到空间复杂度的计算上：

其实递归的内存占用可以看作一个栈，进行一次上下文切换就进一次占，而到达递归的结束条件呢，则开始依次出栈，而这个时候，也是这个递归函数此次运行时所占的多少单位的空间复杂度了。

就好像我们计算f(8)=f(6)+f(7)，这个时候栈中就有了3个单位的空间复杂度了，分别是f(8),f(6),f(7)。。。

依次写下去，你会发现菲波拉契数的空间复杂度其实是O(n)。

注：记得出栈，出栈后，空间自然释放，不是一共使用了多少空间，而是最大使用了多少空间。

下面我们对菲波拉契数的代码进行改进：

# 菲波拉契数

import time

# 委递归计算
# 时间复杂度为：2^n
def fib_1(n):
    if n < 3:
        return 1
    return fib_1(n-2) + fib_1(n-1)

# 迭代法
def fib_2(n):
    f1 = 1
    f2 = 1
    for i in range(3, n+1):
        f3 = f1+f2
        f1, f2 = f2, f3
    return f3

statr_1 = time.time()
print(fib_1(40))
end_1 = time.time()
statr_2 = time.time()
print(fib_2(40))
end_2 = time.time()
print(f"fib_1: {end_1-statr_1}\nfib_2: {end_2-statr_2}")

通过对运行时间的比较，很容易看出：在30左右的时候还没有太大的区别，但n越大，fib_2的速度是更快的。