求斐波那契数列的几种方法

一、暴力（递归）

int fib1(int n)
{
    if (n == 1 || n == 2)
        return 1;
    return fib1(n - 1) + fib1(n - 2);
}

这是最常见的写法，在这里我们可以画出递归树

听大佬说，但凡遇到需要递归的问题，最好都画出递归树，对于分析算法的复杂度，寻找算法低效的原因有很大的帮助。

递归算法的时间复杂度=子问题分数*解决一个子问题需要的时间
由图我们可以看到，这个递归的时间复杂度为O(2^n),显然是一个指数级别的算法，但凡n大一点点，就爆炸

二、简化：做个备忘录

通过观察上述递归树，发现这个算法低效的原因是，存在大量重复计算。

这就是动态规划问题的第一个性质：重叠子问题

怎么解决呢？造一个备忘录，记录子问题的答案鸭。

即，利用一个数组中充当备忘录

int fib2(int n)
{
    if (n <= 2)
        return 1;
    vector<int> memo(n + 1, 0);
    memo[1] = memo[2] = 1;
    return helper(memo, n);
}
int helper(vector<int> &memo, int n)
{
    if (n > 0 && memo[n] == 0)
        memo[n] = helper(memo, n - 1) + helper(memo, n - 2);
    return memo[n];
}

时间复杂度为O（n）

三、深度简化：动态规划

动态规划算法（Dynamic Programming,简称DP），涉及到状态转移方程、重叠子问题、最优子结构等等一些我没听过的高级玩意儿。

动态规划一般遵循一套固定的流程：递归的暴力解法 -> 带备忘录的递归解法 -> 非递归的动态规划解法

由上一步的备忘录，我们决定把备忘录做成一张表，用的时候直接查找就好，时间复杂度为O（1）

int fib3(int n)
{
    vector<int> dp(n + 1, 0);
    dp[1] = dp[2] = 1;
    for (int i = 3; i <= n; i++)
        dp[i] = dp[i - 1] + dp[i - 2];
    return dp[n];
}