python使用递归、尾递归、循环三种方式实现斐波那契数列

本文对比了直接递归、尾递归及循环三种斐波那契数列计算方法,通过实验数据展示了不同方法的时间性能差异,强调了减少递归使用的重要性。

    在最开始的时候所有的斐波那契代码都是使用递归的方式来写的,递归有很多的缺点,执行效率低下,浪费资源,还有可能会造成栈溢出,而递归的程序的优点也是很明显的,就是结构层次很清晰,易于理解

    可以使用循环的方式来取代递归,当然也可以使用尾递归的方式来实现。

    尾递归就是从最后开始计算, 每递归一次就算出相应的结果, 也就是说, 函数调用出现在调用者函数的尾部, 因为是尾部, 所以根本没有必要去保存任何局部变量. 直接让被调用的函数返回时越过调用者, 返回到调用者的调用者去。尾递归就是把当前的运算结果(或路径)放在参数里传给下层函数,深层函数所面对的不是越来越简单的问题,而是越来越复杂的问题,因为参数里带有前面若干步的运算路径。尾递归是极其重要的,不用尾递归,函数的堆栈耗用难以估量,需要保存很多中间函数的堆栈。直接递归的程序中需要保存之前n步操作的所有状态极其耗费资源,而尾递归不需要,尾部递归是一种编程技巧。如果在递归函数中,递归调用返回的结果总被直接返回,则称为尾部递归。尾部递归的函数有助将算法转化成函数编程语言,而且从编译器角度来说,亦容易优化成为普通循环。这是因为从电脑的基本面来说,所有的循环都是利用重复移跳到代码的开头来实现的。如果有尾部归递,就只需要叠套一个堆栈,因为电脑只需要将函数的参数改变再重新调用一次
为了加深对尾递归、递归和循环的对比,这里以斐波那契数列的实现举例:


#!usr/bin/env python  
#encoding:utf-8  
  
''''' 
__Author__:沂水寒城 
功能:尾递归
''' 

import time

def Fib_recursion(num):
    '''
    直接使用递归法求解斐波那契数量的第num个数字
    '''
    if num<2:
        return num 
    return Fib_recursion(num-1)+Fib_recursion(num-2)


def Fib_tail_recursion(num,res,temp):
    '''
    使用尾递归法求解斐波那契数量的第num个数字
    '''
    if num==0:
        return res 
    else:
        return Fib_tail_recursion(num-1, temp, res+temp)


def Fib_circle(num):
    '''
    直接使用循环来求解
    '''
    a=0
    b=1
    for i in range(1,num):
        c=a+b
        a=b
        b=c 
    return c 


if __name__ == '__main__':
    num_list=[5,10,20,30,40,50]
    for num in num_list:
        start_time=time.time()
        print Fib_recursion(num)
        end_time=time.time()
        print Fib_tail_recursion(num,0,1)
        end_time2=time.time()
        print Fib_circle(num)
        end_time3=time.time()
        print '正在求解的斐波那契数字下标为%s' %num
        print '直接递归耗时为 :', end_time-start_time
        print '尾递归调用耗时为:', end_time2-end_time
        print '直接使用循环耗时为:', end_time3-end_time2



结果如下:


5
5
5
正在求解的斐波那契数字下标为5
直接递归耗时为 : 6.38961791992e-05
尾递归调用耗时为: 2.31266021729e-05
直接使用循环耗时为: 1.97887420654e-05
55
55
55
正在求解的斐波那契数字下标为10
直接递归耗时为 : 6.60419464111e-05
尾递归调用耗时为: 3.31401824951e-05
直接使用循环耗时为: 1.8835067749e-05
6765
6765
6765
正在求解的斐波那契数字下标为20
直接递归耗时为 : 0.00564002990723
尾递归调用耗时为: 3.09944152832e-05
直接使用循环耗时为: 2.09808349609e-05
832040
832040
832040
正在求解的斐波那契数字下标为30
直接递归耗时为 : 0.39971113205
尾递归调用耗时为: 1.69277191162e-05
直接使用循环耗时为: 1.19209289551e-05
102334155
102334155
102334155
正在求解的斐波那契数字下标为40
直接递归耗时为 : 39.0365440845
尾递归调用耗时为: 2.19345092773e-05
直接使用循环耗时为: 1.78813934326e-05
12586269025
12586269025
12586269025
正在求解的斐波那契数字下标为50
直接递归耗时为 : 4915.68643498
尾递归调用耗时为: 2.19345092773e-05
直接使用循环耗时为: 2.09808349609e-05


画图图表更加清晰地可以看到差距:



    因为差距太大,导致尾递归和循环的两种方式的时间增长几乎是水平线,而直接递归的时间增长接近90度。

    这一次,感觉自己好有耐心,一直就在那里等着程序出结果,可以看到三者的时间对比状况,很明显的:直接递归的时间增长的极快,而循环的性能还要优于尾递归,这就告诉我们尽量减少递归的使用,使用循环的方式代替递归无疑是一种提高程序运行效率的方式。

Python 中,斐波那契数列递归实现是经典的递归示例。斐波那契数列的定义为: - \( F(0) = 0 \) - \( F(1) = 1 \) - \( F(n) = F(n-1) + F(n-2) \) (当 \( n \geq 2 \)) ### **1. 基础递归实现** ```python def fibonacci(n): if n <= 1: # 基线条件:F(0)=0, F(1)=1 return n else: return fibonacci(n - 1) + fibonacci(n - 2) # 递归调用 # 示例 print(fibonacci(5)) # 输出: 5 (0, 1, 1, 2, 3, 5) ``` #### **问题**:效率低下(时间复杂度 \( O(2^n) \)) 每次计算 \( F(n) \) 会重复计算 \( F(n-1) \) \( F(n-2) \),导致指数级增长。 --- ### **2. 优化方法** #### **(1) 记忆化(Memoization)** 使用缓存存储已计算的结果,避免重复计算: ```python from functools import lru_cache @lru_cache(maxsize=None) # 无限缓存 def fibonacci_memo(n): if n <= 1: return n return fibonacci_memo(n - 1) + fibonacci_memo(n - 2) print(fibonacci_memo(50)) # 快速输出 ``` **优点**:时间复杂度降至 \( O(n) \),空间复杂度 \( O(n) \)。 #### **(2) 迭代法(非递归)** ```python def fibonacci_iter(n): a, b = 0, 1 for _ in range(n): a, b = b, a + b return a print(fibonacci_iter(50)) # 高效计算 ``` **优点**:时间 \( O(n) \),空间 \( O(1) \),无递归栈开销。 --- ### **3. 递归与迭代的对比** | 方法 | 时间复杂度 | 空间复杂度 | 适用场景 | |---------------|------------|------------|-----------------------| | 基础递归 | \( O(2^n) \) | \( O(n) \) | 教学演示(不推荐实际使用) | | 记忆化递归 | \( O(n) \) | \( O(n) \) | 需要递归逻辑且 \( n \) 较小 | | 迭代法 | \( O(n) \) | \( O(1) \) | 推荐实际使用 | --- ### **4. 尾递归优化(Python 不支持,但可模拟)** Python 默认不支持尾递归优化(TCO),但可通过参数传递模拟: ```python def fibonacci_tail(n, a=0, b=1): if n == 0: return a return fibonacci_tail(n - 1, b, a + b) print(fibonacci_tail(50)) # 仍可能栈溢出(Python 无 TCO) ``` --- ### **5. 注意事项** 1. **递归深度限制**:Python 默认递归深度约 1000,计算 \( F(1000) \) 会触发 `RecursionError`。 **解决方法**:改用迭代或增加限制(`sys.setrecursionlimit(2000)`,但不推荐)。 2. **性能权衡**:递归代码简洁但效率低,迭代更高效但可能牺牲可读性。 --- ### **完整代码示例** ```python # 基础递归(不推荐) def fib_recursive(n): return n if n <= 1 else fib_recursive(n - 1) + fib_recursive(n - 2) # 记忆化递归(推荐) from functools import lru_cache @lru_cache(maxsize=None) def fib_memo(n): return n if n <= 1 else fib_memo(n - 1) + fib_memo(n - 2) # 迭代法(最佳实践) def fib_iter(n): a, b = 0, 1 for _ in range(n): a, b = b, a + b return a # 测试 print(fib_iter(50)) # 输出: 12586269025 ``` --- ### **关键问题总结** 1. **为什么基础递归效率低?** 重复计算子问题(如 \( F(3) \) 被计算多次)。 2. **记忆化如何优化递归?** 通过缓存(如字典或 `lru_cache`)存储中间结果。 3. **Python 递归深度的限制是多少?** 默认约 1000,可通过 `sys.setrecursionlimit()` 调整(但可能引发段错误)。 4. **递归与迭代的斐波那契实现各有什么优缺点?** - 递归:直观但可能栈溢出; - 迭代:高效且无栈限制,但代码稍复杂。 5. **如何计算大规模斐波那契数(如 \( F(10^6) \))?** 使用矩阵快速幂或通项公式(时间 \( O(\log n) \))。 --- 递归是理解分治思想的起点,但在实际工程中需结合场景选择最优实现
评论 12
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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

打赏作者

Together_CZ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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