斐波那契数列的递归、递推算法比较

本文通过递归与递推两种方式实现了斐波那契数列的计算,并对比了这两种算法的时间消耗,展示了不同算法在效率上的差异。

公式:F(n+1)=F(n)+F(n-1), F(0)=F(1)=1

网上找到的一个最简单例子,修改了两个bug

// 递归算法

int F1(int n)

{

    if (n < 2)

        return 1;

    else

        return F1(n-1)+F1(n-2);

}

 // 递推算法

int F2(int n)

{

    if (n < 2)

        return 1;

 

    int f0=1, f1=1, f;

    for (int i=0; i<n-1; i++)

    {

        f=f0+f1;

        f0=f1;

        f1=f;

    }

 

    return f;

}

 两个算法功能相同,简单总结一下

递归:算法简单,但是效率较低,因为要入栈、出栈,并且容易造成堆栈溢出。

递推:算法较复杂,但是效率比较高。

Intel T7250/2.45GB内存/XP系统/VC6 Debug版本程序/测试循环100万次耗时:F1 4390ms     F2 72ms

Release版本耗时:F1 1390ms      F2 21ms

从上面数据也可以看出来Release比Debug代码的确优化不少。

注:考虑到时钟的误差,上面F2函数的数据实际上是循环1亿次的数据除以100得到。

### 斐波那契数列递归时间复杂度的递推公式计算方 斐波那契数列递归的时间复杂度可以通过构建递推关系式来分析。以下是详细的推导过程。 #### 构建递推关系 设 \( T(n) \) 表示计算第 \( n \) 项斐波那契数所需的时间复杂度,则可以写出如下递推关系: \[ T(n) = T(n-1) + T(n-2) + O(1), \] 其中,\( T(n-1) \) \( T(n-2) \) 分别代表计算前两项所需的开销,而 \( O(1) \) 则表示当前层的基本操作(如加)所花费的时间[^1]。 #### 解析递推关系 为了简化分析,我们可以忽略常数因子的影响,并假设 \( T(n) \approx c_1 \cdot f_n \),其中 \( f_n \) 是斐波那契数列本身的值。根据斐波那契数列的增长规律可知,其通项公式满足以下形式: \[ f_n = \frac{\phi^n - (1-\phi)^n}{\sqrt{5}}, \] 其中 \( \phi = \frac{1+\sqrt{5}}{2} \approx 1.618 \) 是黄金比例[^2]。由此可以看出,随着 \( n \) 增大,第二项 \( (1-\phi)^n \) 迅速趋近于零,因此可以进一步近似为: \[ f_n \sim \frac{\phi^n}{\sqrt{5}}. \] 将此结果代入原递推关系中得到: \[ T(n) \sim k \cdot \phi^n, \] 其中 \( k \) 是一个与初始条件有关的比例系数。由此可见,递归的时间复杂度大致呈指数增长,具体表现为 \( O(\phi^n) \)[^2] 或者更常见的表述 \( O(1.618^n) \)。 #### 结论总结 通过上述解析得知,斐波那契数列递归的时间复杂度由递推公式决定,最终呈现出指数级别的增长趋势。这一特性使得该算在处理较大数值时显得极为低效,因而通常建议改用动态规划或其他高效策略替代原始递归实现[^3]。 ```python def fibonacci_recursive(n): if n <= 1: return n else: return fibonacci_recursive(n-1) + fibonacci_recursive(n-2) ``` ---
评论 1
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