动态规划算法之斐波那契数列详细解读(附带Java代码解读)

1. 问题背景与递归的局限性

斐波那契数列的定义是:

F(n)=F(n−1)+F(n−2)

其中,F(0)=0,F(1)=1。

对于求解斐波那契数列的第 n 项,我们最直接的方式是用递归来表达:

java 复制代码
public static int fibonacciRecursive(int n) {
    if (n == 0) return 0;
    if (n == 1) return 1;
    return fibonacciRecursive(n - 1) + fibonacciRecursive(n - 2);
}

虽然递归看起来简单优雅,但这种方式的效率非常低。每次计算时,会重复地计算同样的子问题。比如在计算 F(5) 时,会多次计算 F(3)F(2)。这导致了时间复杂度为 O(2^n),增长极快,适用于较小的 n 值,但当 n 较大时,计算变得非常慢。

2. 动态规划的思想

动态规划的核心思想是避免重复计算,通过记忆化 (Memoization)或自底向上(Bottom-Up)的方式来解决问题。斐波那契数列的问题可以被分解为很多子问题,而这些子问题之间有重叠。动态规划通过保存子问题的解,避免了重复计算。

动态规划的两个特点:
  1. 重叠子问题:大问题可以分解成若干小问题,而小问题的解会被多次使用。
  2. 最优子结构:一个问题的最优解可以由其子问题的最优解构成。

斐波那契数列具备这两个特性,因此可以通过动态规划来高效求解。

3. Java代码实现动态规划求解斐波那契数列

我们来看使用动态规划的实现:

java 复制代码
public class FibonacciDP {
    public static void main(String[] args) {
        int n = 10; // 求第n个斐波那契数
        System.out.println("Fibonacci number at position " + n + " is: " + fibonacci(n));
    }

    public static int fibonacci(int n) {
        // 边界条件处理
        if (n == 0) {
            return 0; // F(0) = 0
        }
        if (n == 1) {
            return 1; // F(1) = 1
        }

        // 动态规划数组,用于存储中间结果
        int[] dp = new int[n + 1];
        dp[0] = 0; // F(0)
        dp[1] = 1; // F(1)

        // 自底向上计算斐波那契数列的值
        for (int i = 2; i <= n; i++) {
            dp[i] = dp[i - 1] + dp[i - 2]; // 当前项由前两项之和得出
        }

        return dp[n]; // 返回第n个斐波那契数
    }
}

4. 详细解释每个部分

4.1 边界情况处理

斐波那契数列有两个特殊情况:

  • n = 0 时,返回 0
  • n = 1 时,返回 1

这两个条件在代码中通过以下部分处理:

java 复制代码
if (n == 0) {
    return 0;
}
if (n == 1) {
    return 1;
}

这确保了程序能够正确处理最小的输入值。

4.2 动态规划数组

为了避免递归中的重复计算,我们引入一个数组 dp[] 来保存每一步计算的结果。数组的大小为 n+1,即它包含了从 F(0)F(n) 的所有结果。初始化数组中的前两个值:

java 复制代码
int[] dp = new int[n + 1];
dp[0] = 0; // F(0)
dp[1] = 1; // F(1)

这里的 dp[0]dp[1] 对应斐波那契数列的前两项。

4.3 填充动态规划数组

接下来,通过一个 for 循环,从第3项(i=2)开始,依次计算每一个斐波那契数,并将结果存储到数组中。

java 复制代码
for (int i = 2; i <= n; i++) {
    dp[i] = dp[i - 1] + dp[i - 2]; // 递推公式 F(i) = F(i-1) + F(i-2)
}

这个循环的逻辑很简单:根据斐波那契数列的定义,第 i 项等于前两项之和,因此 dp[i] = dp[i - 1] + dp[i - 2]

4.4 返回结果

当循环结束后,数组 dp[n] 已经存储了第 n 个斐波那契数的值,我们只需将其返回:

java 复制代码
return dp[n];

5. 时间复杂度与空间复杂度

时间复杂度 : 整个过程我们只遍历了一次 dp[] 数组,从 i=2i=n,因此时间复杂度为 O(n),相比递归的 O(2^n),大大提升了效率。

空间复杂度 : 由于我们使用了一个长度为 n+1 的数组,因此空间复杂度为 O(n)

6. 空间优化

虽然上面的解法已经非常高效,但还可以进一步优化空间复杂度 。实际上,我们每次只需要用到前两项的值,因此可以不用数组,而是使用两个变量来代替 dp[] 数组。优化后的代码如下:

java 复制代码
public static int fibonacciOptimized(int n) {
    if (n == 0) return 0;
    if (n == 1) return 1;

    int prev2 = 0; // F(0)
    int prev1 = 1; // F(1)
    int current = 0;

    for (int i = 2; i <= n; i++) {
        current = prev1 + prev2; // F(i) = F(i-1) + F(i-2)
        prev2 = prev1; // 更新 F(i-2)
        prev1 = current; // 更新 F(i-1)
    }

    return current; // 返回第n个斐波那契数
}

在这个版本中,我们只使用了三个变量来保存前两项的值以及当前项,从而将空间复杂度优化到了 O(1)

总结

  • 动态规划的关键是避免重复计算,通过保存子问题的结果提升效率。
  • 斐波那契数列的求解可以从递归 优化为动态规划 ,从而将时间复杂度从 O(2^n) 降到 O(n)
  • 可以进一步优化空间复杂度,将 O(n) 降到 O(1),使用两个变量代替数组存储中间结果。
相关推荐
Eric.Lee20211 小时前
数据集-目标检测系列- 装甲车 检测数据集 armored_vehicles >> DataBall
python·算法·yolo·目标检测·装甲车检测
慢慢来_3 小时前
【力扣热题100】[Java版] 刷题笔记-448. 找到所有数组中消失的数字
笔记·算法·leetcode
橘子遇见BUG5 小时前
算法日记 33 day 动态规划(打家劫舍,股票买卖)
算法·动态规划
格雷亚赛克斯5 小时前
黑马——c语言零基础p139-p145
c语言·数据结构·算法
南宫生5 小时前
力扣-位运算-3【算法学习day.43】
学习·算法·leetcode
Edward The Bunny5 小时前
[算法] 前缀函数与KMP算法
算法
码农多耕地呗5 小时前
区间选点:贪心——acwing
算法
醉酒柴柴6 小时前
【代码pycharm】动手学深度学习v2-08 线性回归 + 基础优化算法
深度学习·算法·pycharm
财富探秘者6 小时前
贵州茅台[600519]行情数据接口
大数据·c语言·python·算法·金融·restful
至善迎风6 小时前
施密特正交化与单位化的情形
线性代数·算法·决策树·机器学习