斐波那契数列的思考

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

 

斐波那契数列的思考

• 前言
• 一、pandas是什么？
• 二、使用步骤
  • 1.引入库
  • 2.读入数据
• 总结

 

---

前言

提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、

1.最简单版本

def fib(n):
    if(n<3)
      return 1
  return fib(n-1)+fib(n-2)

这种代码的写法会导致时间复杂度和空间复杂度都很高，借助递归树不难看出，接近2的n次方指数级别的时间复杂度。理解这个时间复杂度有点类似于二叉树的层数，比如说一个具体的fib(8),层数是7层，当n足够大的时候，其实就无限接近了。而空间复杂度比较难理解，是O(1),这个比较难理解，因为函数调用的本质是堆栈的操作，调用结束空间销毁，所以只会占用有限可数个函数栈空间。

2.稍微改进

代码如下（示例）：

def fib(n):
    tmp = np.zeros(n)
    tmp[0] = 1
    tmp[1] = 1
    for i in range(2,n):
        tmp[i] = tmp[i-2]+tmp[i-1]

            return tmp[n-1]

这个代码的改进思路是把所有计算的过程都存储起来，避免重复调用函数，所以时间复杂度低了变成了O(n).但是空间复杂度确实高了，也变成了O(n),是因为之前栈还有销毁空间，而这里就存储在一个数组里面，注意return 的是n-1，因为数组下标从第0项开始的。

---

3.进一步改进

def fib(n):
    a,b =1,1
    c = 0
    for i in range(2,n):
        c = a+b
        a = b
        b = a
    return c

这个代码就进一步提升了，空间复杂度是O(1),时间复杂度是O(n),改进的思路就是返回的结果只与前面两项有关，其余的数都是多余的，所以我要用两个来代替，为了降低存储空间，所以也会使用两个变量来不停的赋值。

4.还有更好的解决方案

时间复杂度为O(1)，其实有一个投机取巧的办法就是公式，但是这个公式是可以用矩阵分解来证明的，hh~