Java中的迭代与递归

1.递归

如这个阶乘函数:n!=n*(n-1)*(n-2)*...*1
计算阶乘的方法有很多。 一种方法是n!=n*(n-1)!。 因此该程序可以直接写成:

int factorial (int n) {
    if (n == 1) {
        return 1;
    } else {
        return n*factorial(n-1);
    }
}

为了运行该程序,计算机需要建立一个乘法链:factorial(n)→factorial(n-1)→factorial(n-2)→…→factorial(1)。 因此,计算机必须跟踪稍后要执行的乘法。 这种以操作链为特征的程序称为递归。 递归可以进一步分为线性和树状递归。 当跟踪操作链所需的信息量随着输入线性增长时,递归被称为线性递归。 n! 的计算就是这样一种情况,因为所需时间与n成线性增长。 当信息量随着输入呈指数增长时,会发生另一种递归,即树递归。

2. 迭代

计算阶乘函数的不同观点是先乘以1,然后乘以3,然后乘以4,直到n。 更正式地说,程序可以使用从1到n的计数器并同时计算product,直到计数器超过n。 因此该程序可以写为:

int factorial (int n) {
    int product = 1;
    for(int i=2; i<n; i++) {
        product *= i;
    }
    return product;
}

与程序1相比,这个程序不构建一个乘法链。 在每一步中,计算机只需要跟踪product和 i 的当前值。 这种类型的程序被称作迭代,其状态可以通过固定数量的变量,描述变量应该如何更新一个固定的规则,并结束测试指定在其过程中应终止条件来概括。 与递归相同,当所需时间与输入线性增长时,我们称迭代线性递归。

3. 递归 vs 迭代

比较这两个过程,我们可以发现它们看起来几乎相同,特别是在数学函数方面。 它们都需要一些与n成比例的步骤来计算n !. 另一方面,当我们考虑这两个程序的运行过程时,它们的演变将大不相同。

在迭代的情况下,程序变量提供了状态的完整描述。 如果我们在中间停止计算,恢复它只需要向计算机提供所有变量。 但是,在递归过程中,信息由计算机维护,因此对程序“隐藏”。 这使得在停止程序后几乎不可能恢复程序。

4. 树递归

如上所述,当信息量随输入呈指数增长时,会发生树递归。 例如,考虑斐波那契数列的定义如下:
这里写图片描述

根据定义,Fibonacci数字具有以下顺序,其中每个数字是前两个数字的总和:0,1,1,2,3,5,8,13,21,…

递归程序可以立即写成:

int fib (int n) {
    if (n == 0) {
        return 0;
    } else if (n == 1) {
        return 1;
    } else {
        return fib(n-1) + fib(n-2);
    }
}

因此,要计算fib(5),程序将计算fib(4)和fib(3)。 对于计算机fib(4),它计算fib(3)和fib(2)。 注意fib程序在最后一行调用了两次。

另一方面,我们也可以用迭代的方式编写程序来计算斐波那契数。 下面程序是一个线性迭代。 上面的程序和迭代方法写的程序所需的时间差异很大,即使对于较小的输入。

int fib (int n) {
    int fib = 0;
    int a = 1;
    for(int i=0; i<n; i++) {
       fib = fib + a;
       a = fib;
    }
    return fib;
}

但是,人们不应该认为树递归程序是无用的。 当我们考虑在分层数据结构而不是数字上运行的程序时,树递归是一个自然且强大的工具。 它可以帮助我们理解和设计程序。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 1
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