由来
1202 年,生于意大利比萨的数学家 莱昂纳多·斐波那契 完成了他的传世名著《算盘书》,书中对一个有趣的 “兔子繁殖问题” 进行了研究,斐波那契数列便由此而来。
兔子繁殖问题实际上是 斐波那契 提出的一个数学模型:
- 假定一对大兔子一年生一对小兔
- 一对小兔子一年后长大成为一对大兔子
- 且所有的兔子都长生不死
- 那么这些兔子是按照什么样的规律繁殖的呢?
- 第一年,
-
- 只有一对小兔子, f(1) = 1
- 第二年,
-
- 这对小兔子长大成为一对大兔子
- 兔子的对数还是 1, f(2) = 1
- 第三年,
-
- 大兔子生出一对小兔子
- 兔子的对数变为 2, f(3) = 2
- 第四年,
-
- 大兔子又生出一对小兔子
- 原来的一对小兔子长大成为一对大兔子
- 兔子的对数变为 3, f(4) = 3
如果把第 n 年的兔子对数记为 Fn,则:
- F1=F2=1,且对 n ≥ 3,有 Fn=Fn-1+Fn-2
由于这个数列是由 斐波那契 首先加以研究的,后人就将其称为 斐波那契数列
斐波那契数列数学模型
代码实现
- 暴力递归
通过递归树可以发现递归效率低下的原因:int fib(int N) { if (N == 0 || N == 1) return 1; return fib(N - 1) + fib(N - 2); }
- 这个递归树怎么理解?就是说想要计算原问题
f(20)
,我就得先计算出子问题f(19)
和f(18)
,然后要计算f(19)
,我就要先算出子问题f(18)
和f(17)
,以此类推。最后遇到f(1)
或者f(2)
的时候,结果已知,就能直接返回结果,递归树不再向下生长了
递归算法的时间复杂度怎么计算?子问题个数乘以解决一个子问题需要的时间。
子问题个数,即递归树中节点的总数。显然二叉树节点总数为指数级别,所以子问题个数为 O(2^n)。
解决一个子问题的时间,在本算法中,没有循环,只有 f(n - 1) + f(n - 2) 一个加法操作,时间为 O(1)。
所以,这个算法的时间复杂度为 O(2^n),指数级别,爆炸。
观察递归树,很明显发现了算法低效的原因:存在大量重复计算,比如f(18)
被计算了两次,而且你可以看到,以f(18)
为根的这个递归树体量巨大,多算一遍,会耗费巨大的时间。更何况,还不止f(18)
这一个节点被重复计算,所以这个算法及其低效。
-
带备忘录的递归解法
明确了问题,其实就已经把问题解决了一半。即然耗时的原因是重复计算,那么我们可以造一个「备忘录」,每次算出某个子问题的答案后别急着返回,先记到「备忘录」里再返回;每次遇到一个子问题先去「备忘录」里查一查,如果发现之前已经解决过这个问题了,直接把答案拿出来用,不要再耗时去计算了。一般使用一个数组充当这个「备忘录」,当然你也可以使用哈希表(字典),思想都是一样的。
public static int fib(int n) { if (n < 0) { return 0; } int[] arr = new int[n + 1]; return getHelper(arr, n); } private static int getHelper(int[] arr, int n) { if (n == 0) { return 0; } else if (n == 1) { return 1; } // 如果f(n)已经计算过,无需再次计算,直接返回 if (arr[n] != 0) { return arr[n]; } arr[n] = getHelper(arr, n - 1) + getHelper(arr, n - 2); return arr[n]; }
现在,画出递归树,你就知道「备忘录」到底做了什么。
实际上,带「备忘录」的递归算法,把一棵存在巨量冗余的递归树通过「剪枝」,改造成了一幅不存在冗余的递归图,极大减少了子问题(即递归图中节点)的个数。
此时 递归算法的时间复杂度怎么算?子问题个数乘以解决一个子问题需要的时间。
子问题个数,即图中节点的总数,由于本算法不存在冗余计算,子问题就是 f(1)
, f(2)
, f(3)
… f(20)
,数量和输入规模 n = 20 成正比,所以子问题个数为 O(n)。
解决一个子问题的时间,同上,没有什么循环,时间为 O(1)。
所以,本算法的时间复杂度是 O(n)。比起暴力算法,是降维打击。
至此,带备忘录的递归解法的效率已经和迭代的动态规划解法一样了。实际上,这种解法和迭代的动态规划已经差不多了,只不过这种方法叫做「自顶向下」,动态规划叫做「自底向上」。
啥叫「自顶向下」?注意我们刚才画的递归树(或者说图),是从上向下延伸,都是从一个规模较大的原问题比如说 f(20)
,向下逐渐分解规模,直到 f(1)
和 f(2)
触底,然后逐层返回答案,这就叫「自顶向下」。
啥叫「自底向上」?反过来,我们直接从最底下,最简单,问题规模最小的 f(1)
和 f(2)
开始往上推,直到推到我们想要的答案 f(20)
,这就是动态规划的思路,这也是为什么动态规划一般都脱离了递归,而是由循环迭代完成计算。
-
dp 数组的迭代解法
有了上一步「备忘录」的启发,我们可以把这个「备忘录」独立出来成为一张表,就叫做 DP table 吧,在这张表上完成「自底向上」的推算岂不美哉!
public static int fib(int N) {
int[] dp = new int[N + 1];
// base case
dp[1] = dp[2] = 1;
for (int i = 3; i <= N; i++) {
dp[i] = dp[i - 1] + dp[i - 2];
}
return dp[N];
}
画个图就很好理解了,而且你发现这个 DP table 特别像之前那个「剪枝」后的结果,只是反过来算而已。实际上,带备忘录的递归解法中的「备忘录」,最终完成后就是这个 DP table,所以说这两种解法其实是差不多的,大部分情况下,效率也基本相同。
-
细节优化
讲一个细节优化。细心的读者会发现,根据斐波那契数列的状态转移方程,当前状态只和之前的两个状态有关,其实并不需要那么长的一个 DP table 来存储所有的状态,只要想办法存储之前的两个状态就行了。所以,可以进一步优化,把空间复杂度降为 O(1):
public static int fib(int n) { if (n == 2 || n == 1) { return 1; } int prev = 1, curr = 1; for (int i = 3; i <= n; i++) { int sum = prev + curr; prev = curr; curr = sum; } return curr; }
涉及斐波那契数列的算法
-
爬楼梯问题
爬楼梯,一次只能爬一个台阶或两个台阶,问到第N层有几种爬法。f(n)即为斐波那契数列的定义,不过有一点小的差别就是:当n=0时,需要f(n) =1, 以满足 f(2) = 2,因为显然到第二层有两种爬法。
public static int fib(int n) { if (n == 0 || n == 1) { return 1; } int prev = 1, curr = 1; for (int i = 2; i <= n; i++) { int sum = prev + curr; prev = curr; curr = sum; } return curr; }