斐波那契数列算法及时间复杂度分析

斐波那契数列算法及时间复杂度分析

斐波那契数列是一个很有意思的数列,应用领域非常广.
定义:
F(n+1)=F(n)+F(n-1)
有意思的是,F(n)/F(n+1)趋于黄金分割0.618.

如何计算斐波那契数呢?
最朴素的思想,利用定义.
算法1代码如下:

1 2 3 4 5 6 7 8

static int Fibonacci1( int n) {      if (n == 1 || n == 2)      {          return 1;      }      return Fibonacci1(n - 1) + Fibonacci1(n - 2); }

分析下算法复杂度:
T(n+1)=T(n)+T(n-1)=2*T(n-1)+T(n-2)=…=F(n)+F(n-1)=F(n+1)
由于直接递归调用,结果中的每一个1都来自最底层的F(1)和F(2),
那么为了求第n个数,就要调用F(n)次函数.
由于斐波那契数列是指数增长,所以该算法的时间复杂度也是指数增长,即O(2^n).

仔细想下,从头开始往后算,也不过是线性复杂度,比算法1好太多了.
于是得到算法2:

1 2 3 4 5 6 7 8 9 10 11

static int Fibonacci2( int n) {      int [] a = new int [n];      a[0] = 1;      a[1] = 1;      for ( int i = 2; i < n; i++)      {          a[i] = a[i - 1] + a[i - 2];      }      return a[n - 1]; }

时间复杂度就是O(n).

求斐波那契数列的算法还能再快一些吗?
答案是肯定的.
算法3:
借助下图所示的结论:

我们求一个矩阵的n次方即可.
两个2维矩阵的乘法次数可以看作常量.
矩阵额n次方利用分治法,只需要O(lg n)的复杂度就能计算出来.
所以该算法的复杂度是O(lg n),比算法2又快了很多,特别是数字非常大的时候.
比如n从1亿变成4亿,算法2需要的时间要变成原来的四倍,但是算法3仅仅增加了个常数2(lg 4=2).
算法代码如下:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

static int Fibonacci3( int n) {      int [,] a = new int [2, 2] { { 1, 1 }, { 1, 0 } };      int [,] b = MatirxClub(a, n);      return b[1, 0]; }   static int [,] MatirxClub( int [,] a, int n) {      if (n == 1) { return a; }      else if (n == 2) { return Matirx(a, a); }      else if (n % 2 == 0)      {          int [,] temp = MatirxClub(a, n / 2);          return Matirx(temp, temp);      }      else      {          int [,] temp = MatirxClub(a, n / 2);          return Matirx(Matirx(temp, temp), a);      } }   static int [,] Matirx( int [,] a, int [,] b) {      int [,] c = new int [2, 2];      for ( int i = 0; i < 2; i++)      {          for ( int j = 0; j < 2; j++)          {              for ( int k = 0; k < 2; k++)              {                  c[i, j] += a[i, k] * b[k, j];              }          }      }      return c; }

随手写了个测试程序对比它们的效率.
算法1计算n=42和算法2计算n=400 000 000所需的时间差不多.
由此可见,指数时间复杂度的算法太可怕…
但是算法3对于n=400 000 000也几乎一瞬间就算完了.