a*算法的时间复杂度_三种时间复杂度算法求解斐波那契数列

0. 问题描述

在数学当中，由斐波那契数字（Fibonacci number，记作

）构成的序列，被称为斐波那契数列（Fibonacci sequence）。该数列中的每一个数字等于排在它前面的两个数字之和。

• 数列从0和1开始：
  ,
• 数列第n个（n>1）数字为：

按照上述公式，计算得到斐波那契数列为：

随着n的增大，斐波那契数列增长比例逐渐趋近于黄金分割比例。

本文将尝试使用三种时间复杂度不同的算法求解该序列的第n个数字，分别为：

1. 递归法：时间复杂度
2. 循环法：时间复杂度
3. 矩阵连乘法：时间复杂度
   (？有待商榷)

1. 递归解法

从斐波那契数列的计算公式：

，可自然想到该问题适合使用递归法求解，下面直接给出python代码。

def 

时间复杂度分析

细心的读者应该能观察到递归求解的过程如同构造一棵二叉树，例如求解

依赖

和

，我们把

作为树的根节点，

和

作为左右两个叶子节点，继续向下递归，左节点

继续向下分解为

和

，右节点

继续向下分解为

和

，依此类推，如下图所示：

因此，该算法的时间复杂度为

。

性能优化

指数级的复杂度太高，在

较大时响应时长无法接受，幸好存在优化的空间。从上面的二叉树中可以发现，存在大量重复的节点。优化的方法是把计算过的结果存放在字典中，每次计算前查看字典中是否已经存在相同的节点，如果有则直接返回，否则将此新节点存放在字典中，优化后的程序如下。

dic 

优化后的程序相当于给之前的递归树做了剪枝操作，相同的节点仅执行一次，因此时间复杂度降为

。

2. 循环解法

如果说前面的递归解法是自顶向下将大问题拆解成小问题求解，那么循环解法则是逆向思维，自底向上，先求出小问题的解，再向上一步一步向上求取最终问题的解。

求解过程分为

步，将每一步的结果保存在列表中对应下标的位置，代码如下。

def 

时间复杂度分析

单层循环，时间复杂度为

，与优化后的递归解法复杂度相当。

性能优化

时间复杂度已经没有优化空间了，但可以使用两个临时变量替换掉长度为

的列表，使空间复杂度从

降为

。代码如下：

def 

3. 矩阵连乘法

根据斐波那契数列自身的性质，我们可以构造如下方等式关系：

使用矩阵表示上述等式关系，即

那么

依次乘下去，可得一般形式

我们要求解的

即为向量

的第一个分量。代码如下：

import 

时间复杂度分析

从程序上看，结果result几乎是一条语句返回的，这样看时间复杂度为

。但语句涉及到乘方运算，即n个矩阵相乘，时间复杂度似乎又是

。这一结论有待商榷。

性能优化

将矩阵对角化后，再进行连乘操作，可大大提升运算效率。对角化方法为

，其中

是要被对角化的矩阵，

为由

的特征向量组成的矩阵，

为由

的特征值构成的对角矩阵。

，python代码如下：

import 

问题

NumPy在处理矩阵乘法时会进行大量的浮点运算，在

时，结果的精度有损失。

4 小结

• 经实际运行测试，不使用字典的递归算法在
  时几乎慢到不可用的程度。
• 使用字典优化后的递归算法与循环算法性能相当，使用
  测试运行时长大概在万分之一秒。
• 矩阵连乘算法虽看似简单，但运行效率不如循环算法，运行时长大概在千分之一秒，且矩阵对解化操作并没有带来明显的性能提升。
• 最终的运行效率排序为：循环法
  递归(带字典)
  矩阵连乘
  递归(不带字典)。

参考

[1] WikiPedia: Fibonacci number

[2] MIT线性代数: 矩阵对角化（网易公开课）