递归计算向非递归计算转换模板

递归计算向非递归计算转换模板
http://www.iteye.com/post/567240
http://www.iteye.com/topic/201241

这一篇实现篇有些误入歧途了。为了通用化而复杂化。
这个问题本身是可以线性化的,不必要树形化。

楼主的代码里面,vlaues (hash map) 保存了所有的中间计算结果,这是没有必要的。这会带来空间的浪费。
楼主的代码本质上是一种查表法(参数值列列表 -> 返回值)。
我们可以简单的用 Method Cache (方法缓存)的方式来实现。
只要用AOP,给这个函数加上Cache缓存(key是 函数名 + 参数列表),就可以轻松实现需要的效果。

第一篇思路篇里面的图很形象。
相当于程序员自己维护一个数组形式的运行栈结构。
在一些支持Continuation的非栈语言中,运行栈其实是树形的运行堆,中间结果都是保留起来的,保留中间结果的这些工作都不需要自己做。
楼主相当于做了一些Continuation的树形运行堆的工作。在栈语言上模拟这种效果,有些事倍功半的感觉。

------------------------------

这类问题其实就是保存前几步中间计算结果的问题。

对于这个问题本身来说
f(x) = f(x-1) + f(x-3)
f(x) = 10 (x < 3)

其实是很简单的,只需要用一个长度为3的数组保存中间结果就可以了。
Java代码 复制代码

fibonacci(int x){
if(x < 3)
return 10;


int[] middleResults = new int[3]{10,10,10};
int result = 0;

for(int i = 10; i <= x; i++){
result = middleResults[0] + middleResults[2];
move(middleResults);
middleResults[0] = result;
}

return result;
}

void move(int[] array){
int k = array.length;
int limit = k – 1;
for(int i = 0; i < limit; i++){
array[i+1] = array[i];
}
}

fibonacci(int x){
if(x < 3)
return 10;


int[] middleResults = new int[3]{10,10,10};
int result = 0;

for(int i = 10; i <= x; i++){
result = middleResults[0] + middleResults[2];
move(middleResults);
middleResults[0] = result;
}

return result;
}

void move(int[] array){
int k = array.length;
int limit = k – 1;
for(int i = 0; i < limit; i++){
array[i+1] = array[i];
}
}


move 方法主要用来移动中间结果数组里面的中间结果。
其实完全可以用一个 queue 队列来保存中间结果。直接把用过的 queue head 丢弃,把后面的结果加在队尾。正如楼主的代码里面用的queue结构。
只是为了更加形象地表达数组(运行栈)的结构,因此这里用了定长数组。


代码没有调试过,只是一个大概意思。
这段代码是循环形式,也可以写成递归形式,中间结果数组作为参数进行传递。

-------------------------

这个问题本身是Fibonacci问题的变种

Fibonacci问题描述:
1头母牛,出生后第3年,就开始每年生1头母牛,按此规律,第n年时有多少头母牛。
f(1)=1
f(2)=1
f(n)=f(n-1)+f(n-2)

Fibonacci数列:1,1,2,3,5,8,13,,21,34........

Fibonacci问题变种A描述:
1头母牛,出生后第4年,就开始每年生1头母牛,按此规律,第n年时有多少头母牛。
f(1)=1
f(2)=1
f(3)=1
f(n)=f(n-1)+f(n-3)

Fibonacci数列:1, 1, 1, 2, 3, 4, 6, 9,13,19,28........

Fibonacci问题通用描述:
1头母牛,出生后第x年,就开始每年生1头母牛,按此规律,第n年时有多少头母牛。
令k = x - 1
f(1)=1

f(k)=1
f(n)=f(n-1)+f(n-k)

-------------------------------------

递归函数:f(x) = ( f(x-1) + f(x-3) + x) / f(x-2), f(x) = 10 (x < 3)
同样可以类似解决。
Java代码 复制代码

[list=1]
[*]f(double x){
[*] if(x < 3)
[*] return 10;
[*]
[*]
[*] double[] middleResults = new double[3]{10,10,10};
[*] double result = 1;
[*]
[*] for(int i = 10; i <= x; i++){
[*] result = (middleResults[0] + middleResults[2] + i) / middleResult[1];
[*] move(middleResults);
[*] middleResults[0] = result;
[*] }
[*]
[*] return result;
[*] }
[*]
[*] void move(int[] array){
[*] int k = array.length;
[*] int limit = k – 1;
[*] for(int i = 0; i < limit; i++){
[*] array[i+1] = array[i];
[*] }
[*] }
[/list]
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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
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