【leetcode-509 斐波那契数列】

斐波那契数 （通常用 F(n) 表示）形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始，后面的每一项数字都是前面两项数字的和。也就是：

F(0) = 0，F(1) = 1
F(n) = F(n - 1) + F(n - 2)，其中 n > 1
给定 n ，请计算 F(n) 。

示例 1：

输入：n = 2
输出：1
解释：F(2) = F(1) + F(0) = 1 + 0 = 1
示例 2：

输入：n = 3
输出：2
解释：F(3) = F(2) + F(1) = 1 + 1 = 2
示例 3：

输入：n = 4
输出：3
解释：F(4) = F(3) + F(2) = 2 + 1 = 3
 

提示：

0 <= n <= 30

思路一：暴力递归,存在⼤量重复计算，效率低。

 

递归算法的时间复杂度：用子问题个数乘以解决一个子问题需要的时间

⼦问题个数，即递归树中节点的总数。显然⼆叉树节点总数为指数级别，所以⼦问题个数为 O(2^n)

没有循环，只有 f(n - 1) + f(n - 2) ⼀个加法操作，时间为 O(1)。所以，这个算法的时间复杂度为 O(2^n)，指数级别，爆炸了。

思路二：带备忘录的递归解法 (使用memo数组或者哈希表充当备忘录)，自定向下

⼦问题个数，即图中节点的总数，由于本算法不存在冗余计算，⼦问题就是f(1),f(2),f(3)…f(20)，数量和输⼊规模n=20成正⽐，所以⼦问题个数为O(n)。
 解决⼀个⼦问题的时间，同上，没有什么循环，时间为O(1)。所以，本算法的时间复杂度是O(n)。⽐起暴⼒算法，是降维打击

 

 

 

 ⾄此，带备忘录的递归解法的效率已经和迭代的动态规划解法⼀样了。实际上，这种解法和迭代的动态规划已经差不多了，只不过这种⽅法叫做「⾃顶向下」，动态规划叫做「⾃底向上」。
  啥叫「⾃顶向下」？注意我们刚才画的递归树（或者说图），是从上向下延伸，都是从⼀个规模较⼤的原问题⽐如说f(20)，向下逐渐分解规模，直到f(1)和f(2)触底，然后逐层返回答案，这就叫「⾃顶向下」。
  啥叫「⾃底向上」？反过来，我们直接从最底下，最简单，问题规模最⼩的f(1)和f(2)开始往上推，直到推到我们想要的答案f(20)，这就是动态规划的思路，这也是为什么动态规划⼀般都脱离了递归，⽽是由循环迭代完成计算
 

思路三：动态规划，自底向上,DP table

三板斧：初始值、终止条件、状态转移方程，即找到“状态”、“选择”和状态转移方程。找到“状态”和“选择”->明确dp数组/函数的定义->寻找状态之间的关系。时间复杂度也是O(n).

画个图就很好理解了，⽽且你发现这个DPtable特别像之前那个「剪枝」后的结果，只是反过来算⽽已。实际上，带备忘录的递归解法中的「备忘录」，最终完成后就是这个DPtable，所以说这两种解法其实是差不多的，⼤部分情况下，效率也基本相同。
  这⾥，引出「状态转移⽅程」这个名词，实际上就是描述问题结构的数学形式：

  为啥叫「状态转移⽅程」？为了听起来⾼端。你把f(n)想做⼀个状态n，这个状态n是由状态n-1和状态n-2相加转移⽽来，这就叫状态转移，仅此⽽已。

你会发现，上⾯的⼏种解法中的所有操作，例如returnf(n-1)+f(n-2)，dp[i]=dp[i-1]+dp[i-2]，以及对备忘录或DPtable的初始化操作，都是围绕这个⽅程式的不同表现形式。可⻅列出「状态转移⽅程」的重要性，它是解决问题的核⼼。很容易发现，其实状态转移⽅程直接代表着暴⼒解法。
  千万不要看不起暴⼒解，动态规划问题最困难的就是写出状态转移⽅程，即这个暴⼒解。优化⽅法⽆⾮是⽤备忘录或者 DP table，再⽆奥妙可⾔!
 

思路四：dp数组的迭代解法+状态压缩
这个例⼦的最后，讲⼀个细节优化。细⼼的读者会发现，根据斐波那契数列的状态转移⽅程，当前状态只和之前的两个状态有关，其实并不需要那么⻓的⼀个DPtable来存储所有的状态，只要想办法存储之前的两个状态就⾏了。所以，可以进⼀步优化，把空间复杂度降为O(1)：

当然越高级越抽象，当然也越难理解。