2.2 迭代与递归¶
在算法中,重复执行某个任务是很常见的,它与复杂度分析息息相关。因此,在介绍时间复杂度和空间复杂度之前,我们先来了解如何在程序中实现重复执行任务,即两种基本的程序控制结构:迭代、递归。
2.2.1 迭代¶
迭代(iteration)是一种重复执行某个任务的控制结构。在迭代中,程序会在满足一定的条件下重复执行某段代码,直到这个条件不再满足。
1. for 循环¶
for 循环是最常见的迭代形式之一,适合在预先知道迭代次数时使用。
以下函数基于 for 循环实现了求和 \(1 + 2 + \dots + n\) ,求和结果使用变量 res 记录。需要注意的是,Python 中 range(a, b) 对应的区间是“左闭右开”的,对应的遍历范围为 \(a, a + 1, \dots, b-1\) :
可视化运行
图 2-1 是该求和函数的流程框图。
图 2-1 求和函数的流程框图
图解 2-1:单层循环
通过初始化、条件判断和更新,控制任务重复执行。
用图中流程求 1 至 n 的和,n 为正整数:累计和初值为 0,每轮“任务”将当前 i 加入累计和。
先初始化 i = 1,再判断 i ≤ n。为真时执行任务,令 i 加 1,然后直接回到条件判断;为假时退出。初始化只在进入循环前执行一次,不会每轮把 i 重置为 1。
执行任务时,i 依次为 1 至 n,共执行 n 次;更新到 i = n + 1 时,条件为假,循环结束。
此求和函数的操作数量与输入数据大小 \(n\) 成正比,或者说成“线性关系”。实际上,时间复杂度描述的就是这个“线性关系”。相关内容将会在下一节中详细介绍。
2. while 循环¶
与 for 循环类似,while 循环也是一种实现迭代的方法。在 while 循环中,程序每轮都会先检查条件,如果条件为真,则继续执行,否则就结束循环。
下面我们用 while 循环来实现求和 \(1 + 2 + \dots + n\) :
可视化运行
while 循环比 for 循环的自由度更高。在 while 循环中,我们可以自由地设计条件变量的初始化和更新步骤。
例如在以下代码中,条件变量 \(i\) 每轮进行两次更新,这种情况就不太方便用 for 循环实现:
可视化运行
总的来说,for 循环的代码更加紧凑,while 循环更加灵活,两者都可以实现迭代结构。选择使用哪一个应该根据特定问题的需求来决定。
3. 嵌套循环¶
我们可以在一个循环结构内嵌套另一个循环结构,下面以 for 循环为例:
/* 双层 for 循环 */
char *nestedForLoop(int n) {
// n * n 为对应点数量,"(i, j), " 对应字符串长最大为 6+10*2,加上最后一个空字符 \0 的额外空间
int size = n * n * 26 + 1;
char *res = malloc(size * sizeof(char));
// 循环 i = 1, 2, ..., n-1, n
for (int i = 1; i <= n; i++) {
// 循环 j = 1, 2, ..., n-1, n
for (int j = 1; j <= n; j++) {
char tmp[26];
snprintf(tmp, sizeof(tmp), "(%d, %d), ", i, j);
strncat(res, tmp, size - strlen(res) - 1);
}
}
return res;
}
可视化运行
图 2-2 是该嵌套循环的流程框图。
图 2-2 嵌套循环的流程框图
图解 2-2:双层嵌套循环
每轮外循环都重新运行完整的内循环,决定任务总次数。
n 为正整数,i 控制外循环,j 控制内循环。
先令 i = 1,判断 i ≤ n。为真时进入内循环,重置 j = 1,再判断 j ≤ n:为真则执行任务、令 j 加 1,并回到内层判断;为假则结束内循环,令 i 加 1,回到外层判断。若外层仍为真,下一轮再次从 j = 1 开始;直到外层条件为假,整个流程才结束。
每个 i 都对应完整的 j = 1 至 n,因此任务总次数为 n × n = n²。
在这种情况下,函数的操作数量与 \(n^2\) 成正比,或者说算法运行时间和输入数据大小 \(n\) 成“平方关系”。
我们可以继续添加嵌套循环,每一次嵌套都是一次“升维”,将会使时间复杂度提高至“立方关系”“四次方关系”,以此类推。
2.2.2 递归¶
递归(recursion)是一种算法策略,通过函数调用自身来解决问题。它主要包含两个阶段。
- 递:程序不断深入地调用自身,通常传入更小或更简化的参数,直到达到“终止条件”。
- 归:触发“终止条件”后,程序从最深层的递归函数开始逐层返回,汇聚每一层的结果。
而从实现的角度看,递归代码主要包含三个要素。
- 终止条件:用于决定什么时候由“递”转“归”。
- 递归调用:对应“递”,函数调用自身,通常输入更小或更简化的参数。
- 返回结果:对应“归”,将当前递归层级的结果返回至上一层。
观察以下代码,我们只需调用函数 recur(n) ,就可以完成 \(1 + 2 + \dots + n\) 的计算:
可视化运行
图 2-3 展示了该函数的递归过程。
图 2-3 求和函数的递归过程
图解 2-3:普通递归求和
先把求和问题缩小到基本情况,再在返回时逐层相加。
n 为正整数。图左列“向下‘递’”给出调用,右列“向上‘归’”给出对应返回表达式;省略号代表中间调用。下表保留图中的首尾层,小 n 只经过实际需要的层。
| 向下“递”的调用 | 向上“归”的返回表达式 |
|---|---|
| recur(n) | n+((n−1)+…+2+1) |
| recur(n−1) | (n−1)+((n−2)+…+2+1) |
| 中间调用 | 省略 |
| recur(4) | 4+(3+2+1) |
| recur(3) | 3+(2+1) |
| recur(2) | 2+(1) |
| recur(1),终止条件 | 1 |
recur(n) 调用 recur(n−1),每层将参数减 1,直到 recur(1)。图在这一行标注“触发递归终止条件”,并用向右箭头转入返回阶段。recur(1) 返回 1;recur(2) 收到 1 后算得 2 + 1 = 3;recur(3) 收到 3 后算得 3 + 3 = 6。一般层 recur(k) 必须等子调用返回,才能加上本层参数 k,因此加法在返回阶段完成。
逐层累加后,最初的 recur(n) 返回 1 + 2 + … + n。
虽然从计算角度看,迭代与递归可以得到相同的结果,但它们代表了两种完全不同的思考和解决问题的范式。
- 迭代:“自下而上”地解决问题。从最基础的步骤开始,然后不断重复或累加这些步骤,直到任务完成。
- 递归:“自上而下”地解决问题。将原问题分解为更小的子问题,这些子问题和原问题具有相同的形式。接下来将子问题继续分解为更小的子问题,直到基本情况时停止(基本情况的解是已知的)。
以上述求和函数为例,设问题 \(f(n) = 1 + 2 + \dots + n\) 。
- 迭代:在循环中模拟求和过程,从 \(1\) 遍历到 \(n\) ,每轮执行求和操作,即可求得 \(f(n)\) 。
- 递归:将问题分解为子问题 \(f(n) = n + f(n-1)\) ,不断(递归地)分解下去,直至基本情况 \(f(1) = 1\) 时终止。
1. 调用栈¶
递归函数每次调用自身时,系统都会为新开启的函数分配内存,以存储局部变量、调用地址和其他信息等。这将导致两方面的结果。
- 函数的上下文数据都存储在称为“栈帧空间”的内存区域中,直至函数返回后才会被释放。因此,递归通常比迭代更加耗费内存空间。
- 递归调用函数会产生额外的开销。因此递归通常比循环的时间效率更低。
如图 2-4 所示,在触发终止条件前,同时存在 \(n\) 个未返回的递归函数,递归深度为 \(n\) 。
图 2-4 递归调用深度
图解 2-4:递归求和的递归深度
图突出递归求和在触底前积累的调用层数。
n 为正整数;递归深度是同时未返回的最大调用层数。
左列标题为“向下‘递’”,调用链从 recur(n) → recur(n−1) → … → recur(4) → recur(3) → recur(2) → recur(1),左侧大括号跨满整列并标注“递归深度 n”。底部“触发递归终止条件”的箭头指向右列“向上‘归’”;右列返回求和过程被淡化,突出左列的调用积累。
到达 recur(1) 时,外层调用都在等待子调用的结果,包括顶层在内共有 n 个栈帧同时存在。此后才从 1 开始返回,逐层加上本层参数并释放该层栈帧。最深处的调用数决定递归深度为 n,栈空间为 O(n)。
在实际中,编程语言允许的递归深度通常是有限的,过深的递归可能导致栈溢出错误。
2. 尾递归¶
有趣的是,如果函数在返回前的最后一步才进行递归调用,则该函数可以被编译器或解释器优化,使其在空间效率上与迭代相当。这种情况被称为尾递归(tail recursion)。
- 普通递归:当函数返回到上一层级的函数后,需要继续执行代码,因此系统需要保存上一层调用的上下文。
- 尾递归:递归调用是函数返回前的最后一个操作,这意味着函数返回到上一层级后,无须继续执行其他操作,因此系统无须保存上一层函数的上下文。
以计算 \(1 + 2 + \dots + n\) 为例,我们可以将结果变量 res 设为函数参数,从而实现尾递归:
可视化运行
尾递归的执行过程如图 2-5 所示。对比普通递归和尾递归,两者的求和操作的执行点是不同的。
- 普通递归:求和操作是在“归”的过程中执行的,每层返回后都要再执行一次求和操作。
- 尾递归:求和操作是在“递”的过程中执行的,“归”的过程只需层层返回。
图 2-5 尾递归过程
图解 2-5:尾递归求和
用累加器在递归调用前完成加法,返回时直接传回结果。
初始 n 为非负整数,累加器 res = 0;图中的 recur(n, res) 对应代码 tail_recur。
左列“向下‘递’”列出参数与累加器,右列“向上‘归’”各行都原样返回最终总和。下表按图列出较大 n 的首尾调用,中间层以省略号表示;较小 n 只经过实际需要的参数,不是固定调用 7 层。n = 0 时直接返回初始值 0。
| 当前参数k | 已累计res |
|---|---|
| n | 0 |
| n−1 | n |
| 中间调用 | 省略 |
| 3 | n+…+5+4 |
| 2 | n+…+5+4+3 |
| 1 | n+…+5+4+3+2 |
| 0 | n+…+5+4+3+2+1,完整总和 |
从 recur(n, 0) 出发,每次先计算 res + k,再用参数 k−1 和更新后的累加器调用下一层。当 k = 1 时还差最后一项 1;下一层 k = 0 时触发终止条件,直接返回完整总和。返回阶段各层只转发同一个结果,不再做加法。
只有执行环境支持并启用尾递归优化时,才可复用栈帧,将栈空间降为 O(1);未优化时仍为 O(n)。Python 默认不支持尾递归优化。
Tip
请注意,许多编译器或解释器并不支持尾递归优化。例如,Python 默认不支持尾递归优化,因此即使函数是尾递归形式,仍然可能会遇到栈溢出问题。
3. 递归树¶
当处理与“分治”相关的算法问题时,递归往往比迭代的思路更加直观、代码更加易读。以“斐波那契数列”为例。
Question
给定一个斐波那契数列 \(0, 1, 1, 2, 3, 5, 8, 13, \dots\) ,求该数列的第 \(n\) 个数字。
设斐波那契数列的第 \(n\) 个数字为 \(f(n)\) ,易得两个结论。
- 数列的前两个数字为 \(f(1) = 0\) 和 \(f(2) = 1\) 。
- 数列中的每个数字是前两个数字的和,即 \(f(n) = f(n - 1) + f(n - 2)\) 。
按照递推关系进行递归调用,将前两个数字作为终止条件,便可写出递归代码。调用 fib(n) 即可得到斐波那契数列的第 \(n\) 个数字:
可视化运行
观察以上代码,我们在函数内递归调用了两个函数,这意味着从一个调用产生了两个调用分支。如图 2-6 所示,这样不断递归调用下去,最终将产生一棵层数为 \(n\) 的递归树(recursion tree)。
图 2-6 斐波那契数列的递归树
图解 2-6:斐波那契递归树
递归分支重复求解同名子问题,说明朴素递归为何产生大量计算。
图中 f(k) 对应正文代码 fib(k)。基本情况为 f(1) = 0、f(2) = 1;k > 2 时计算 f(k−1) + f(k−2)。
图只展开前几层,没有标注总层数。n 较小时,部分分支会更早到达 f(1) 或 f(2) 并停止,不能照图继续展开全部符号层。
| 层 | 调用节点(图中从左到右) | 数量 |
|---|---|---|
| 1 | f(n) | 1 |
| 2 | f(n−1)、f(n−2) | 2 |
| 3 | f(n−2)、f(n−3)、f(n−3)、f(n−4) | 4 |
| 4 | f(n−3)、f(n−4)、f(n−4)、f(n−5)、f(n−4)、f(n−5)、f(n−5)、f(n−6) | 8 |
| 5 | 每个上一层节点再分出两个省略号,后续调用未具体画出 | 16个省略号 |
每个未达基本情况的 f(k) 分出左子调用 f(k−1) 和右子调用 f(k−2)。例如,根的右子调用 f(n−2)(第 2 层),与第 3 层左侧分出的 f(n−2),属于不同调用路径,会各自重新计算,不会自动合并或复用结果。
实际分支在基本情况处停止,并非所有层始终翻倍,但重复展开仍使朴素递归的调用规模随 n 指数增长。按本文代码精确计层,根算第 1 层,n ≥ 2 时最长调用链有 n−1 层(如 n = 3 时只有 2 层);n = 1 时只有根这一层。正文所说的 n 层体现随 n 线性增长的量级,并非这里的精确层数。
从本质上看,递归体现了“将问题分解为更小子问题”的思维范式,这种分治策略至关重要。
- 从算法角度看,搜索、排序、回溯、分治、动态规划等许多重要算法策略直接或间接地应用了这种思维方式。
- 从数据结构角度看,递归天然适合处理链表、树和图的相关问题,因为它们非常适合用分治思想进行分析。
2.2.3 两者对比¶
总结以上内容,如表 2-1 所示,迭代和递归在实现、性能和适用性上有所不同。
表 2-1 迭代与递归特点对比
| 迭代 | 递归 | |
|---|---|---|
| 实现方式 | 循环结构 | 函数调用自身 |
| 时间效率 | 效率通常较高,无函数调用开销 | 每次函数调用都会产生开销 |
| 内存使用 | 通常使用固定大小的内存空间 | 累积函数调用可能使用大量的栈帧空间 |
| 适用问题 | 适用于简单循环任务,代码直观、可读性好 | 适用于子问题分解,如树、图、分治、回溯等,代码结构简洁、清晰 |
Tip
如果感觉以下内容理解困难,可以在读完“栈”章节后再来复习。
那么,迭代和递归具有什么内在联系呢?以上述递归函数为例,求和操作在递归的“归”阶段进行。这意味着最初被调用的函数实际上是最后完成其求和操作的,这种工作机制与栈的“先入后出”原则异曲同工。
事实上,“调用栈”和“栈帧空间”这类递归术语已经暗示了递归与栈之间的密切关系。
- 递:当函数被调用时,系统会在“调用栈”上为该函数分配新的栈帧,用于存储函数的局部变量、参数、返回地址等数据。
- 归:当函数完成执行并返回时,对应的栈帧会被从“调用栈”上移除,恢复之前函数的执行环境。
因此,我们可以使用一个显式的栈来模拟调用栈的行为,从而将递归转化为迭代形式:
/* 使用迭代模拟递归 */
int forLoopRecur(int n) {
// 使用一个显式的栈来模拟系统调用栈
stack<int> stack;
int res = 0;
// 递:递归调用
for (int i = n; i > 0; i--) {
// 通过“入栈操作”模拟“递”
stack.push(i);
}
// 归:返回结果
while (!stack.empty()) {
// 通过“出栈操作”模拟“归”
res += stack.top();
stack.pop();
}
// res = 1+2+3+...+n
return res;
}
/* 使用迭代模拟递归 */
int forLoopRecur(int n) {
// 使用一个显式的栈来模拟系统调用栈
Stack<Integer> stack = new Stack<>();
int res = 0;
// 递:递归调用
for (int i = n; i > 0; i--) {
// 通过“入栈操作”模拟“递”
stack.push(i);
}
// 归:返回结果
while (!stack.isEmpty()) {
// 通过“出栈操作”模拟“归”
res += stack.pop();
}
// res = 1+2+3+...+n
return res;
}
/* 使用迭代模拟递归 */
func forLoopRecur(n int) int {
// 使用一个显式的栈来模拟系统调用栈
stack := list.New()
res := 0
// 递:递归调用
for i := n; i > 0; i-- {
// 通过“入栈操作”模拟“递”
stack.PushBack(i)
}
// 归:返回结果
for stack.Len() != 0 {
// 通过“出栈操作”模拟“归”
res += stack.Back().Value.(int)
stack.Remove(stack.Back())
}
// res = 1+2+3+...+n
return res
}
/* 使用迭代模拟递归 */
func forLoopRecur(n: Int) -> Int {
// 使用一个显式的栈来模拟系统调用栈
var stack: [Int] = []
var res = 0
// 递:递归调用
for i in (1 ... n).reversed() {
// 通过“入栈操作”模拟“递”
stack.append(i)
}
// 归:返回结果
while !stack.isEmpty {
// 通过“出栈操作”模拟“归”
res += stack.removeLast()
}
// res = 1+2+3+...+n
return res
}
/* 使用迭代模拟递归 */
function forLoopRecur(n: number): number {
// 使用一个显式的栈来模拟系统调用栈
const stack: number[] = [];
let res: number = 0;
// 递:递归调用
for (let i = n; i > 0; i--) {
// 通过“入栈操作”模拟“递”
stack.push(i);
}
// 归:返回结果
while (stack.length) {
// 通过“出栈操作”模拟“归”
res += stack.pop();
}
// res = 1+2+3+...+n
return res;
}
/* 使用迭代模拟递归 */
fn for_loop_recur(n: i32) -> i32 {
// 使用一个显式的栈来模拟系统调用栈
let mut stack = Vec::new();
let mut res = 0;
// 递:递归调用
for i in (1..=n).rev() {
// 通过“入栈操作”模拟“递”
stack.push(i);
}
// 归:返回结果
while !stack.is_empty() {
// 通过“出栈操作”模拟“归”
res += stack.pop().unwrap();
}
// res = 1+2+3+...+n
res
}
/* 使用迭代模拟递归 */
int forLoopRecur(int n) {
int stack[1000]; // 借助一个大数组来模拟栈
int top = -1; // 栈顶索引
int res = 0;
// 递:递归调用
for (int i = n; i > 0; i--) {
// 通过“入栈操作”模拟“递”
stack[1 + top++] = i;
}
// 归:返回结果
while (top >= 0) {
// 通过“出栈操作”模拟“归”
res += stack[top--];
}
// res = 1+2+3+...+n
return res;
}
可视化运行
观察以上代码,当递归转化为迭代后,代码变得更加复杂了。尽管迭代和递归在很多情况下可以互相转化,但不一定值得这样做,有以下两点原因。
- 转化后的代码可能更加难以理解,可读性更差。
- 对于某些复杂问题,模拟系统调用栈的行为可能非常困难。
总之,选择迭代还是递归取决于特定问题的性质。在编程实践中,权衡两者的优劣并根据情境选择合适的方法至关重要。