递归与动态规划的不同

递归与动态规划的不同

递归与动态规划是两个十分基本的算法，它们使用的思路都是分而治之（将一个大问题拆解成一个小问题），我在刚开始学算法时，也是不明白这两者有什么不同，在经过这么久的学习后，我也是对此有了自己的理解（如有不对，欢迎指正）。

下面便是我觉得，递归和动态规划的2个不同：
1.递归是从上而下（从大问题到小问题），而动态规划是由下而上（先解决小问题最后到大问题）；
2.动态规划会储存每个小问题的结果，从而它的计算速度会比递归要快。（代价是动态规划的空间复杂度更高，即用空间换取的时间）。

现在大家可能还不是很理解上面两点，让我举个例子来说明一下：
斐波那契数列。
在数学上，斐波那契数列以如下被以递推的方法定义：F(1)=1，F(2)=1, F(n)=F(n - 1)+F(n - 2)（n ≥ 3，n ∈ N*），即：新的一项等于前两项之和
即指的是这样一个数列：1、1、2、3、5、8、13、21、34…

下面让我们来求第n项的斐波那契数列的值：
这是一个经典的递归和动态规划问题，下面让我来用Python代码来演示这两种算法，希望大家通过代码可以理解我说的这两者的不同

递归：

def recur_F(n):

    if n == 1 or n == 2:  # 递归结束条件
        return 1

    return recur_F(n-1) + recur_F(n-2)  # 递归

可以看出，递归是将大n由上而下，逐渐拆解成2的n次方个小问题，这样的缺点就是，有些值会重复计算，例如，输入n=5，那它会将n=3计算两遍（第一次5变成4和3的时候一次，第二次4拆解成3和2的时候一次）。如下图所示，2和1标红代表递归结束，

这样当n比较大的时候，就会多算很多次没有必要的运算，自然时间就慢了

动态规划：

def dp_F(n):

    res = [0] * n  # 用来记录 n = [1,n] 的全部值

    res[0], res[1] = 1, 1  # 第一位和第二位都为1

    for i in range(2, n):
        res[i] = res[i-1] + res[i-2]  # 从 n=3 开始向后更新

    return res[n-1]

可以看出，动态规划与递归的最大不同就是它创建了一个数组（空间），来储存后面可能要用到的所有值，这样，就可以避免重复运算的过程，因为后面要用到的值都可以直接来数组里取。还有一点不同就是，它是从前往后进行运算的。

当然，当n比较大时，动态规划需要的空间就很多了，我们可以进行一下优化：

def dp_F_s(n):

    if n == 1 or n == 2:
        return 1

    fn_1 = 1
    fn_2 = 1  # 只需要存储 每次运算需要的两位数值就行

    cur = 0

    for i in range(3, n+1):
        cur = fn_1 + fn_2  # 后一项 = 前两项之和

        fn_1 = fn_2
        fn_2 = cur  # 更新这两位数值

    return cur

这样，就可以减少动态规划的空间复杂度。当然，这里的思路还是从前往后运算，只不过它所需要的空间变成了2。（之前是n）

**
总结一下，这两者的两个不同：

1.递归是由上而下，动态规划是从下而上；

2.动态规划的运算速度更快。

**

以上便是个人理解的递归与动态规划的不同，如有错误，欢迎指正！