递归、分形树、动态规划、背包问题

递归三定律

1. 必须有一个基本结束条件（对最小规模问题的直接解决）
2. 必须能改变状态向基本结束条件严禁（减小问题规模）
3. 必须调用自身（把问题分解成规模更小的相同问题）
   递归为自顶向下求解，把最大规模逐步分解为小规模。

递归深度限制

python中可用内置sys模块获取和调整最大递归深度

>>>import sys
>>>sys.getrecursionlimit()
1000
>>>sys.setrecursionlimit(3000)
>>>sys.getrecursionlimit()
3000

分治策略

将问题分为若干更小规模的部分，通过解决每一个小规模的问题，将结果汇总得到原问题的解。

贪心策略

例如：自动售货机在找零时，如何吐出不同面值的硬币，能够找给顾客最少的硬币数量？
贪心策略：每次都试图解决问题的尽量大的一部分。每次以最多数量的最大面值来迅速减少找零面值。即先把面值最大硬币的兑换完，找不开的再用次大面值的找。
但贪心策略不一定是最优解！
比如硬币为25c,21c,10c,1c,要找零63c。贪心策略的解法为：63=25x2+10x1+1x3，但最优解为63=21x3…

递归可视化

python内置海龟作图系统 turtle module
主要函数有：
爬行：forward(n); backward(n)
转向：left(n); right(n)
抬笔放笔：penup(); pendown()
笔属性：pensize(s);pencolor(c)
使用方法见应用3，4，5

动态规划

最优化问题能够用动态规划的条件：原始问题的最优解包含了更小规模问题的最优解。从最简单的优化问题开始，比如硬币面值为1c，2c，求出找零1c的最优解best1c=1，best2c=1，则best3c=min(1+best2c, 2+best1c)=2, best4c=min(1+best3c,2+best2c)=3,依次累加上去。
动态规划为自底向上求解，即先计算最小规模的结果，然后逐渐累加上去，直到求到最大规模。
使用方法见应用8，9

应用

1. 数列求和

def listsum(numlist):
    #基本结束条件
    if len(numlist)==1:
        return numlist[0]
    #调用自身
    else:
        return numlist[0]+listsum(numlist[1:])#减小问题规模
alist=[1,2,5,6,8]
a=listsum(alist)

2. 将10进制转换为任意进制

strs=['0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F']
def shift(num,jinzhi):
    if num<jinzhi:
        return strs[num]
    return shift(num//jinzhi,jinzhi)+str(strs[num%jinzhi])
    
a=shift(1453,16)   #5AD

3. 画一个螺旋线。最大长度为100，然后每转向一次长度减5，直到长度小于0为止。

import turtle
t=turtle.Turtle()

def drawSpiral(length):
    if length<0:
        return
    t.forward(length)
    t.right(90)
    drawSpiral(length-5)

drawSpiral(100)
turtle.done()

结果如下。

4. 分形树：自相似递归图形

import turtle

def tree(branch_len):