好的,你写的第一个函数是“穷举搜索”(Exhaustive Search)的一个例子,您正在探索从一组整数(这些整数可以是从 1 到 n 的所有整数)中可以形成的每个可能的分支(您正在使用 for 循环进行此操作)。为了向您解释时间复杂度,我将把递归栈表示为树形结构(要表示递归函数调用堆栈,您可以使用堆栈或使用 n 叉树)。
让我们称您的第一个函数为 F1:
F1(3),现在对于集合 S(即从 1 到 n 的所有整数),将形成三个分支。我取 n = 3,因为这样更容易为其绘制图表。您可以尝试其他更大的数字并观察递归调用堆栈。
3
/| \
0 1 2 ----> the leftmost node is returns 0 coz (n==0) it's the base case
| /\
0 0 1
|
0 ----> returns 0
那么,你已经探索了所有的可能性分支。如果您尝试为上述问题编写递归方程,则:
T(n) = 1; n is 0
= T(n-1) + T(n-2) + T(n-3) + ... + T(1); otherwise
这里,
T(n-1) = T(n-2) + T(n-3) + ... T(1).
因此,T(n-1) + T(n-2) + T(n-3) + ... + T(1) = T(n-1) + T(n-1)
因此,递归方程变为:
T(n) = 1
= 2*T(n-1)
现在你可以轻松解决这个递归关系(或者使用Masters定理进行快速求解)。你将得到时间复杂度为O(2^n)
。
解决递归关系:
T(n) = 2T(n-1)
= 2(2T(n-1-1) = 4T(n-2)
= 4(2T(n-3)
= 8T(n-3)
= 2^k T(n-k), for some integer `k` ----> equation 1
现在我们已经得到了当n为0时的基本情况,因此我们可以将其表示为:
n-k = 0 , i.e. k = n
将
k = n
代入
方程1
中,
T(n) = 2^n * T(n-n)
= 2^n * T(0)
= 2^n * 1
= 2^n
因此,T.C = O(2^n)
这就是如何为您的第一个函数获得时间复杂度。接下来,如果您观察上面形成的递归树(树中的每个节点都是主问题的子问题),您会发现节点正在重复(即子问题正在重复)。因此,您在第二个函数F2
中使用了一个内存来存储已经计算出的值,并且每当再次出现子问题时(即重复子问题)您都使用预先计算出的值(这样可以节省重复计算子问题的时间)。这种方法也称为动态规划。
现在让我们看看第二个函数,在这里您返回answer
。但是,如果您查看函数,您会发现在程序中构建了一个名为array
的数组。主要的时间复杂度就在那里。计算它的时间复杂度很简单,因为始终只涉及一级递归(或者你可以随意地说没有递归涉及),因为在n
数范围内的每个数字i
总是小于数字n
,所以第一个if
条件被执行并且控制从F2
返回。因此,每个调用不能深入超过2级。
因此,
Time complexity of second function = time taken to build the array;
= 1 comparisions + 1 comparisions + 2 comparisions + ... + (n-1) comparisions
= 1 + 2 + 3 + ... + n-1
= O(n^2).
让我为您提供一种更深入观察这种递归的简单方法。您可以在控制台上打印递归堆栈,并观察函数调用的方式。下面是您的代码,我已经添加了打印函数调用的语句。
代码:
def indent(n):
for i in xrange(n):
print ' '*i,
def F(n, rec_cnt):
indent(rec_cnt)
print 'F(' + str(n) + ')'
if n == 0:
return 0
else:
result = 0
for i in range(n):
result += F(i, rec_cnt+1)
return n*result+n
def F2(n, array, rec_cnt):
indent(rec_cnt)
print 'F2(' + str(n) + ')'
if n < len(array):
answer = array[n]
elif n == 0:
answer = 0
array.append(answer)
else:
result = 0
for i in range(n):
result += F2(i, array, rec_cnt+1)
answer = n*result+n
array.append(answer)
return answer
print F(4, 1)
lis = []
print F2(4, lis, 1)
现在观察输出结果:
F(4)
F(0)
F(1)
F(0)
F(2)
F(0)
F(1)
F(0)
F(3)
F(0)
F(1)
F(0)
F(2)
F(0)
F(1)
F(0)
96
F2(4)
F2(0)
F2(1)
F2(0)
F2(2)
F2(0)
F2(1)
F2(3)
F2(0)
F2(1)
F2(2)
96
在第一个函数调用栈中,即
F1
中,您可以看到每个调用都被探索到
0
,即我们正在探索每个可能的分支直到
0
(基本情况),所以我们称之为穷举搜索。
在第二个函数调用栈中,可以看到函数调用仅深入两层,即它们使用预先计算的值来解决重复的子问题。因此,它的时间复杂度比
F1
更低。
F
和F2
一样时... - juanpa.arrivillaga2^n
的事情。 - Paul PanzerT(n)=T(n-1)+T(n-2)+...+T(1)+T(0)+O(1)
从那里开始。 - Garrett Gutierrez