控制文件夹递归深度_教女朋友递归与记忆化递归

最近惹女朋友生气了，写一篇技术文章来安抚她~

说起递归，我们最开始想到的就是斐波那契数列，这道题十分的经典，代码如下：

def f(n):
  if n <= 1:
    return n
  return f(n-1) + f(n-2)

递归结构最常用在树结构中，例如先序遍历等等。

其次用在回溯法中，递归可以撤销之前的操作。

同时递归还是动态规划的一种超集，其名为记忆化递归。

如果你刷题的过程中经常会头疼动态规划类型的题，那么这篇文章正适合你！

因为记忆化递归在很多场景下可以替换动态规划，其coding的难度要小于动态规划。

那么为什么要记忆化递归？什么是记忆化递归呢？

为什么记忆化递归？

回答：因为普通的递归可能会重复求解某一值，类似斐波那契数列。同样的子问题可能会被求解多次，这样就会很慢很慢很慢。

解决方法：我们把历史求解（子问题）记录下来，如果下次需要求解子问题，那么直接取出就好。其时间复杂度为O（1）。

下面的代码就是记忆化递归来求解斐波那契数列~

m = [0] * max_size # 开辟一个数组来存储，或者使用字典
def f(n):
    if n <= 1:
        return n
    if not m[n]:
        m[n] = f(n - 1) + f(n -2)
    return m[n]

记忆化递归的问题求解模板

红色区域是边界区域。蓝色区域是为了求解子问题。绿色区域是当问题求结果，则直接返回。

记忆化递归相比动态规划的优势在哪儿？

动态规划是有先后顺序的，子问题求解后才能求解父问题。因此你要小心确保问题求解的顺序，从而避免bug。

但是记忆化递归，当你的子问题没有求解时，程序会自动去求解。而不需要小心翼翼的去确保顺序，减轻我们的工作量。

记忆化递归相比动态规划的劣势在哪儿？

因为动态规划时有先后顺序的，因此实际上有一些求解的子问题用不到了可以将空间释放掉。

而记忆化递归再这种优化上就很难。

故记忆化递归可能在空间复杂度上比不上精心设计的动态规划。

但是！！！这里是精心设计的动态规划，为了精心设计，我们可能会花很长的时间去写控制规则，为了减少那么一丢丢的内存。但是实际上我们刷题，失败的原因往往是超时！！！而不是超出内存限制。

因此记忆化递归用于刷题还是挺舒服的~

---

2019/07/15

记忆化递归的一个缺点是，有可能会超越python的最大递归深度。

牛客网上的一道题，会超越递归的深度

最少数量货物装箱问题_牛客网​www.nowcoder.com

x = int(input())

m = [0] * (x + 1)
MAXVALUE = 100000000
def func(x):
    if x < 3 :
        return MAXVALUE
    elif x == 3 or x == 5 or x == 7:
        return 1
    if not m[x]:
        t = min(func(x - 3), func(x - 5), func(x - 7))
        if t == MAXVALUE:
            m[x] = t
        else:
            m[x] = t + 1
    return m[x]

t = func(x)
if t == MAXVALUE:
    print(-1)
else:
    print(t)