一些基础——递归、算法分析

最新推荐文章于 2024-07-25 23:03:21 发布

这样就不会重复了吧

最新推荐文章于 2024-07-25 23:03:21 发布

阅读量150

点赞数

分类专栏：数据结构与算法分析文章标签：数据结构算法

本文链接：https://blog.csdn.net/weixin_49150819/article/details/124182406

版权

数据结构与算法分析专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本部分为数据结构与算法分析的基础部分，主要涉及递归（原则、组成、示例）、算法分析（几种表示方法、分析原则、检验等）。

递归

从定义上看，当一个函数用它本身来定义时就称该函数为递归的，即我定义我自己。需要注意的是，递归和循环不同，递归只是使用了自身作为定义的一部分，但其调用时是类似于数学的递推，而循环则类似于一直调用同样的参数值、函数。

递归结构的一般组成、执行过程

· 一般组成
递归一般由处理基本情形的语句、递归调用语句两部分组成。基本情形类似于数学中的递推公式的f(0)。如果没有基本情形，递归就会持续调用，导致栈空间溢出（stack overflow），使程序崩溃。

斐波那契数列就可以用递归来实现（尽管这不是一个好想法，因为做了重复的工作使得效率低），示例代码如下：
```
int fib(int a)//斐波那契数列
{
	if(a>0)
	{
		if(a==1 || a==2)//数列的基本情形
			return 1;
		else
			return fib(a-1)+fib(a-2);
	}
	else
		return -1;
}
```
· 执行过程
以上文的斐波那契数列fib(a)为例，假设调用fib(4)，那么其将返回fib(3)+fib(2)，此时将相继调用fib(3)、fib(2)；调用fib(3)的过程同fib(4)，返回fib(2)+fib(1)；调用fib(2)、fib(1)，将返回1。

后再将fib(2)、fib(1)返回值拷贝到调用fib(3)的地址中，作为fib(3)的返回值；将fib(3)、fib(2)返回值拷贝到调用fib(4)的地址中，作为fib(4)的返回值。
递归调用与栈

递归调用的实际上可以用一个栈来表示。假设F(x)为一个递归函数，其基准情况是F(1)，则调用F(4)的过程如下：

在实际调用过程中，计算机会分配一个栈空间来记录/储存调用信息以帮助返回值，若没有基准情况，就会导致调用超出栈大小，即栈溢出。
递归的基本法则

若需要将函数设计成递归的，那么需要依照以下原则进行：

#基准情况，即保证有不需要递归即可获得返回值的情况，
#不断推进，即能够使得递归调用能朝着基准情形前进
#假设所有的递归调用都能运行（因此设计不需考虑那么多关于递归调用序列的细节，尽管debug时还是需要考虑这些细节出现了什么差错。。）
#合成效益，即求解同一个问题时不做重复的递归调用（例如斐波那契数列数列中，调用fib(4)实际上需要重复调用f(2)两次，降低了效率）。

（一些感想：但这些也只是原则，实际中只有能想到函数执行过程是递归时这些原则才有用，而这恐怕是个思维问题而不只是设计问题。多刷题吧！）
尾递归

算法分析

算法分析主要解决如何评价一个算法的优缺点，主要涉及算法所需的时间、空间开销，两者一般以时间复杂度、空间复杂度来表示。

函数的相对增长率——大O、小O、Ω、θ记法

算法分析中使用函数的相对增长率来估计算法运行的开销的界限（上界与下界，一般需要使用的是上界）。其需要使用以下定义：（假定算法所需的开销为T(N)，N为对时间、操作次数等量的计量数）

#大O记法O(N)：若存在正常数c和 $n_{0}$ ，使得 $N\geqslant n_{0}$ 时，T(N)≤cf(N)，则记为T(N)=O(f(N))。
#Ω记法Ω(N)：若存在正常数c和 $n_{0}$ ，使得 $N\geqslant n_{0}$ 时，T(N)≥cf(N)，则记为T(N)=Ω(f(N))。
#θ记法θ(N)：当且仅当T(N)=O(f(N))且T(N)=Ω(f(N))时，则记为T(N)=θ(f(N))。
#小o记法o(N)：当且仅当T(N)=O(f(N))且T(N)≠θ(f(N))时，则记为T(N)=o(f(N))

上述定义表明算法分析中只关注相对增长率及其趋势，而不是具体某一点上两个函数的相对大小。

当我们说T(N)=O(f(N))时，实际上是在说T(N)以不高于f(N)的速度增长，f(N)实际上是T(N)的一个上界。同理T(N)=Ω(h(N))时，h(N)实际上是T(N)的一个下界。

需要注意的是，在大O记法中，对f(N)可以进行适当的简化，例如舍弃常数、低阶项，只说明其增长的量级即可。（但这是N非常非常大时的简化。若N很小，这些常数项、低阶项造成了各种算法运行的差异）
一些有用的分析法则

· O(N)记法的一些法则
在实际运用过程中，可以使用数学方法进行函数增长率的比较（例如洛必达法则），但更常用的是使用以下法则：

#若T1(N)=O(f(N))，且T2(N)=O(g(N))，那么：
（a）T1(N)+T2(N)=O(max { f(N)，g(N) } )。
（a）T1(N) * T2(N)=O( f(N) * g(N) )。
#若T(N)是一个k次多项式，那么T(N)=O(N^k)。
#对于任意常数k，(log N)^k=O(N)，即对数增长的非常非常慢。

· for循环、顺序、选择语句的运行时间分析法则
#一次for循环：运行时间，最多为循环内语句的运行时间×迭代次数。
#嵌套for循环：需要从里到外分析这些for循环，循环内的一条语句的总运行时间为该语句运行时间×所有for循环大小
#顺序语句：运行时间即为各语句的时间之和，若均为大O记法，则以增长率最快的一项为最终的记法。
#if/else语句：不超过判断的时间+max{ if语句块的运行时间，else语句块的运行时间 }。

· 洛必达法则与各种记法的关系
计算极限 $\lim_{n \to\infty }\frac{f(N)}{g(N)}$ ，可以根据其极限值c判断二者的关系：
#c=0：f(N)=o(g(N))
#c≠0：f(N)=θ(g(N))
#c=∞：g(N)=o(f(N))
#c为波动值：二者无关
一些典型的增长率

以下是在算法分析中常用的增长率：（按照增长速度从慢到块排列）
函数名称
c 常数级
logN 对数级
$log^{2}N$ 对数平方级
N 线性级
NlogN
$N^{2}$ 平方级
$N^{3}$ 立方级
$2^{N}$ 指数级
对于输入量大的问题，开销为平方级、立方级、指数级的算法是需要避免的，一般NlogN、线性级、对数级甚至常数级的算法则是追求目标。
算法分析的模型——标准计算机

算法分析的模型是基于标准计算机，在该机器中顺序执行指令（如+、*、比较、赋值等），并且该模型机做任意一件工作都恰好花费一个时间单元（但现实的计算机做不同工作所需的时间并不同）。此外，模型机还具有固定范围的整数、无限的内存。