方法一:传统递归法
时间复杂度O(2^n),空间复杂度O(n)
计算Fibonacci(10)十次平均用时0.0003s 计算Fibonacci(100)单次用时大于1min
时间复杂度极高,当n>35左右时间已经无法接受
defFibonacci(n):
if n == 1 or n == 2:
return 1
return Fibonacci(n - 1) + Fibonacci(n - 2)
方法二:动态规划法
时间复杂度O(n),空间复杂度O(1)
计算Fibonacci(10)十次平均用时小于0.00001s 计算Fibonacci(100)十次平均0.0001s 计算Fibonacci(10000)十次平均0.008s 计算Fibonacci(1000000)十次平均9.525s
defFibonacci(n):
current, pre = 1, 0
for i in range(n - 1):
current, pre, = current +pre, current
return current
方法三:通项公式法
时间复杂度O(log n),空间复杂度O(1),通项公式法的时间复杂度不是O(1),这是因为计算n次幂不能做到O(1)时间复杂度,使用快速幂算法可以做到(log n)时间复杂度
计算Fibonacci(10)十次平均用时小于0.00001s 计算Fibonacci(100)十次平均用时小于0.00001s
计算Fibonacci(10000)数字太大,出现OverFlow错误 计算Fibonacci(1000000):数字太大,出现OverFlow错误
由于开方和四舍五入存在精度误差,经过测试,使用通项公式法计算斐波那契数列在第71项时开始出现精度导致的计算错误。
根据测试可知,通项公式法只在理论上可行,没有操作性。
defFibonacci(n):
sqrt5= 5 ** 0.5ans= (((1 + sqrt5) / 2) ** n - (((1 - sqrt5) / 2) ** n)) /sqrt5return round(ans)
方法四:矩阵法
主要原理是以下公式和快速幂算法
这种算法是求任意线性常系数递归递推关系的任意项的通用解法,而且通常也是最优解
时间复杂度O(log n),空间复杂度O(log n)(由递归深度决定)
计算Fibonacci(10)十次平均用时0.0002s 计算Fibonacci(100)十次平均0.0003s 计算Fibonacci(10000)十次平均0.0008s 计算Fibonacci(1000000)十次平均0.184s
可以看出当n较大时,矩阵法明显优于动态规划法
另外,在这个方法中,使用了Strassen算法算法计算矩阵的乘法(该算法可以使得两个大小为n的方朕相乘的时间复杂度由传统的O(n ^ 3)下降到O(n ^ 2.81))
同时在快速幂算法中使用了一定的位运算技巧以达到最优化的性能
(笔者同时测试了把快速幂的递归算法换成非递归算法,非递归算法的时间大概是递归算法的两倍)
defMatrix_Multiply(matrix1, matrix2):
a, b, c, d= matrix1[0][0], matrix1[0][1], matrix1[1][0], matrix1[1][1]
e, f, g, h= matrix2[0][0], matrix2[0][1], matrix2[1][0], matrix2[1][1]
p1= a * (f -h)
p2= (a + b) *h
p3= (c + d) *e
p4= d * (g -e)
p5= (a + d) * (e +h)
p6= (b - d) * (g +h)
p7= (a - c) * (e +f)
r= p5 + p4 - p2 +p6
s= p1 +p2
t= p3 +p4
u= p5 + p1 - p3 -p7return[[r, s], [t, u]]defMatrix_Quick_Pow(matrix, p):if p == 1:returnmatrixif p & 1:
temp= Matrix_Quick_Pow(matrix, p >> 1)returnMatrix_Multiply(Matrix_Multiply(temp, temp), matrix)else:
tmp= Matrix_Quick_Pow(matrix, p >> 1)returnMatrix_Multiply(tmp, tmp)defFibonacci(n):
matrix= [[1, 1], [1, 0]]return Matrix_Quick_Pow(matrix, n)[0][1]