目录
2. 分解后的子问题,除了数据规模不同,与原问题求解思路完全一样
五、将递归代码改成非递归代码(递归公式都可以转成循环迭代方式)
递归实现的常见算法:DFS 深度优先搜索、前中后序二叉树遍历等等
一、递归需要的条件
1. 问题可以被分解成几个子问题
何为子问题?子问题就是数据规模更小的问题。
比如,在电影院中你要知道“自己在哪一排”的问题,可以分解为“前一排的人在哪一排”这样一个子问题。
2. 分解后的子问题,除了数据规模不同,与原问题求解思路完全一样
比如电影院那个例子,你求解“自己在哪一排”的思路,和前面一排人求解“自己在哪一排”的思路,是一模一样的。
3. 存在终止条件
还是电影院的例子,第一排的人不需要再继续询问任何人,就知道自己在哪一排,也就是 f(1)=1,这就是递归的终止条件。
二、编写递归代码 【写出递推公式,找到终止条件】
写递归代码的关键就是找到如何将大问题分解为小问题的规律,并且基于此写出递推公式,然后再推敲终止条件,最后将递推公式和终止条件翻译成代码。
编写递归代码的关键是,只要遇到递归,我们就把它抽象成一个递推公式,不用想一层层的调用关系,不要试图用人脑去分解递归的每个步骤。
int f(int n) {
if (n == 1) return 1; // 递归终止条件
return f(n-1) + 1; // 分解后的 数据规模不同的子问题
}
三、容易导致的问题
1、警惕堆栈溢出
为什么递归代码容易造成堆栈溢出呢?
数据结构 “栈”,函数调用会使用栈来保存临时变量。每调用一个函数,都会将临时变量封装为栈帧压入内存栈,等函数执行完成返回时,才出栈。
系统栈或者虚拟机栈空间一般都不大。如果递归求解的数据规模很大,调用层次很深,一直压入栈,就会有堆栈溢出的风险。
我们又该如何预防堆栈溢出呢?
以通过在代码中限制递归调用的最大深度的方式来解决这个问题。
// 全局变量,表示递归的深度。
int depth = 0;
int f(int n) {
++depth;
if (depth > 1000) throw exception;
if (n == 1) return 1;
return f(n-1) + 1;
}
2、警惕重复计算
走楼梯的递归代码的例子,如果我们把整个递归过程分解一下的话,那就是这样的:要计算 f(5),需要先计算 f(4) 和 f(3),而计算 f(4) 还需要计算 f(3),因此,f(3) 就被计算了很多次,这就是重复计算问题。
通过一个Map存储已经求解的值,来避免重复计算
public int f(int n) {
if (n == 1) return 1;
if (n == 2) return 2;
// hasSolvedList可以理解成一个Map,key是n,value是f(n)
if (hasSolvedList.containsKey(n)) {
return hasSolvedList.get(n);
}
int ret = f(n-1) + f(n-2);
hasSolvedList.put(n, ret);
return ret;
}
递归利弊:
递归有利有弊,利是递归代码的表达力很强,写起来非常简洁;
而弊就是空间复杂度高、有堆栈溢出的风险、存在重复计算、过多的函数调用会耗时较多等问题;
五、将递归代码改成非递归代码(递归公式都可以转成循环迭代方式)
// 递归公式
f(x) =f(x-1)+1;
// 迭代循环方式
int f(int n) {
int ret = 1;
for (int i = 2; i <= n; ++i) {
ret = ret + 1;
}
return ret;
}
六、递归的应用:
用递归代码来实现 归并排序