简单描述一个递归算法,并手写一个递归

一、递归算法的概述

递归算法的描述:把一个大规模的问题划分为一个个小规模的同类问题的子问题。

递归算法的特征:

1、在函数中调用其本身;
2、必须有一个明确的递归出口;
3、递归结果的输出是一个堆栈结构,最后的结果最先输出,最初的结果最后输出.
二、一个简单的递归算法的思考

思考一:递归语句最后的输出结果是?


public class Test {
	public int sum(int a,int b){
		int result=a+b;
		if(result<10){
			sum(a+1,b+1);//递归调用
		}
	  return result;
	}
	public static void main(String[] args){
		Test test=new Test();
		int  result=test.sum(1,2);
	    System.out.println("result="+result);
	}
}
//因为递归的输出的结果是堆栈结果式的,堆栈的最大特点就是先进后出,后进先出。因此上述程序的输出结果也是按照该规则输出的,最后的result输出为3。
思考二:若递归中有多个递归调用,输出结果又会如何?
public class Test {
	public int sum(int a,int b){
		int result=a+b;
		if(result<10){
			sum(a+1,b+1);//递归一
			System.out.println("The first recursion result="+result)
			sum(a+2,b+2);//递归二
		}
	  return result;
	}
	public static void main(String[] args){
		Test test=new Test();
		int  result=test.sum(1,2);
	    System.out.println("result="+result);
	}
}
思考三:输出语句的位置会不会对输出结果有影响?
public class Test {
	public int sum(int a,int b){
		int result=a+b;
		if(result<10){
			sum(a+1,b+1);
			sum(a+2,b+2);
			System.out.println("The second recursion result="+result);
		}
	  return result;
	}
	public static void main(String[] args){
		Test test=new Test();
		int  result=test.sum(1,2);
	    System.out.println("result="+result);
	}
}
public class Test {
	public int sum(int a,int b){
		int result=a+b;
		if(result<10){
			sum(a+1,b+1);
			System.out.println("The first recursion result="+result);
			sum(a+2,b+2);
			System.out.println("The second recursion result="+result);
			
		}
	  return result;
	}
	public static void main(String[] args){
		Test test=new Test();
		int  result=test.sum(1,2);
	    System.out.println("result="+result);
	}
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,这里给出一个对Apriori算法改进的算法——FP-growth算法的Python实现代码。 ```python class TreeNode: """ FP树结点类 """ def __init__(self, name, count, parent): self.name = name # 结点名称 self.count = count # 计数值 self.parent = parent # 父节点 self.children = {} # 子节点 def add_count(self, count): """ 将计数值增加指定值 """ self.count += count def display(self, ind=1): """ 以文本形式显示FP树 """ print(' ' * ind, self.name, ' ', self.count) for child in self.children.values(): child.display(ind + 1) def create_fp_tree(data_set, min_support): """ 构建FP树 """ # 第一次遍历数据集,统计每个元素项出现的频数 header_table = {} for trans in data_set: for item in trans: header_table[item] = header_table.get(item, 0) + data_set[trans] # 移除不满足最小支持度的元素项 header_table = {k: v for k, v in header_table.items() if v >= min_support} freq_items = set(header_table.keys()) if len(freq_items) == 0: return None, None for k in header_table: header_table[k] = [header_table[k], None] # 记录每个元素项出现的频度和指向每种元素项的第一个结点的指针 # 第二次遍历数据集,建立FP树 ret_tree = TreeNode('Null Set', 1, None) for trans, count in data_set.items(): local_d = {} # 存储当前项集中所有频繁项的计数值 for item in trans: if item in freq_items: local_d[item] = header_table[item][0] if len(local_d) > 0: ordered_items = [v[0] for v in sorted(local_d.items(), key=lambda p: p[1], reverse=True)] update_tree(ordered_items, ret_tree, header_table, count) return ret_tree, header_table def update_tree(items, in_tree, header_table, count): """ 更新FP树 """ if items[0] in in_tree.children: # 如果当前项集的第一个元素已经作为子结点存在,则更新该子结点的计数值 in_tree.children[items[0]].add_count(count) else: # 如果当前项集的第一个元素不存在作为子结点,则创建一个新的子结点 in_tree.children[items[0]] = TreeNode(items[0], count, in_tree) # 更新头指针表,指向新的结点 if header_table[items[0]][1] is None: header_table[items[0]][1] = in_tree.children[items[0]] else: update_header(header_table[items[0]][1], in_tree.children[items[0]]) # 递归地更新FP树 if len(items) > 1: update_tree(items[1:], in_tree.children[items[0]], header_table, count) def update_header(node_to_test, target_node): """ 更新头指针表 """ while node_to_test.node_link is not None: node_to_test = node_to_test.node_link node_to_test.node_link = target_node def ascend_tree(leaf_node, prefix_path): """ 从叶子结点追溯到根结点,找到所有前缀路径 """ if leaf_node.parent is not None: prefix_path.append(leaf_node.name) ascend_tree(leaf_node.parent, prefix_path) def find_prefix_path(base_pat, tree_node): """ 查找以base_pat结尾的所有路径 """ cond_pats = {} while tree_node is not None: prefix_path = [] ascend_tree(tree_node, prefix_path) if len(prefix_path) > 1: cond_pats[frozenset(prefix_path[1:])] = tree_node.count tree_node = tree_node.node_link return cond_pats def mine_fp_tree(in_tree, header_table, min_support, prefix, freq_item_list): """ 从FP树中挖掘频繁项集 """ big_l = [v[0] for v in sorted(header_table.items(), key=lambda p: p[1][0])] # 头指针表中的元素项按照频度排序 for base_pat in big_l: new_freq_set = prefix.copy() new_freq_set.add(base_pat) freq_item_list.append(new_freq_set) # 查找以base_pat结尾的所有路径,构建条件模式基 cond_patt_bases = find_prefix_path(base_pat, header_table[base_pat][1]) # 构建条件FP树 my_cond_tree, my_head = create_fp_tree(cond_patt_bases, min_support) if my_head is not None: mine_fp_tree(my_cond_tree, my_head, min_support, new_freq_set, freq_item_list) ``` 这个FP-growth算法代码与Apriori算法的代码相比,主要改进在于: 1. FP-growth算法只需要遍历数据集两次,而Apriori算法需要遍历多次; 2. FP-growth算法不需要生成候选项集,而Apriori算法需要生成候选项集; 3. FP-growth算法使用了FP树来存储频繁项集,而Apriori算法使用了大量的内存来存储候选项集。 因此,FP-growth算法相对于Apriori算法来说,更加高效。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值