斐波那契數列
斐波那契數列是一個經典的數學問題,同時也是算法中的經典案例,並且衍生出了很多類似的問題,這個問題簡單來說就是當前數列的元素是由前兩個數的和構成。不如舉個栗子:
比如 F(0) = 0, F(1) = 1, 那麼 F(2) = F(0) + F(1),也就是說F(2) = 0 + 1 = 2,依次循環得出相關的數列內容。
所以依據這樣的規律特點,我們可以寫出下面的遞推內容:
F(3) = F(2) + F(1)
F(4) = F(3) + F(2)
F(5) = F(4) + F(3)
F(6) = F(5) + F(4)
......
遞歸解法
這就明顯感覺是迭代求值的關係,所以依據這樣的特點,可以採用最基本的遞歸的方法去完成求值。實現內容如下:
func fibRecurrence(_ n: Int) -> Int {
if n == 0 {
return 0
}
if n == 1 {
return 1
}
return fib(n - 1) + fib(n - 2)
}
但是仔細看一下當前的時間複雜度,會發現是O(2^n)的,效率略微有點差。
正推法求值
遞歸的方法求值實際上是從n往0,反向遞推求其值,但是這樣有一個不好的地方在於重複計算了已經算過的值,例如在求解F(5)的時候內容如下:
F(5) = F(4) + F(3)
再去求解F(4)的時候,你會發現F(3)重複計算了兩次,如下:
F(4) = F(3) + F(2)
按照此內容推下去,計算就會增倍了。如果按照正向遞推的方式的話,就剛好解決了這樣的問題,在求解F(5)的時候已經正向求解F(4)與F(3)的結果了,所以直接累加即可得其結果。所以按照這樣的思路,我們可以正向遞推求值:
func fibCount(_ n: Int) -> Int {
if n == 0 {
return 0
}
if n == 1 {
return 1
}
var curValue = 1
var preValue = 0
var resValue = curValue + preValue
for _ in 2...n {
resValue = curValue + preValue
preValue = curValue
curValue = resValue
}
return resValue
}
這個時間複雜度是O(n)的。
矩陣乘法
真正的O(n)就是最優解了嘛?答案是否定的,因爲有個神級的解法,叫做升維跨越,可以將其時間複雜度變成O(logn)的,具體做法就是利用矩陣乘法。
矩陣推理
所以經過一系列的推倒,矩陣變換成了如下的內容:
所以這個遞推升維公式就成功的將F(n)的求解變成了二維矩陣的求冪問題。
這裏解釋一下爲什麼要將左邊的格式改成2x2的寫法?原因很簡單,是爲了保證與右邊的2x2保持對應,這樣的話比較直觀,很快就能確定F(n)對應於矩陣的哪個元素了。比如這裏的F(n)=Martrix[0][1]元素。
矩陣求解問題轉換
此時如果把矩陣內容看成一個元素x,那麼右邊的內容就變成了求解x的n次冪,這樣的話,我們可以通過計算x的n次冪來求的x的值了
-
關於求解x的n次冪問題
這裏有兩種方式去計算x的n次冪。分別是拆分分治的方法與按位運算取值。分治遞歸方法如下:
/*
使用拆分法,又叫分治歸併算法
由於每次計算均爲減半運算
所以時間複雜度O(logn)
*/
func powSplit(_ x: Int, _ n: Int) -> Int {
if n == 0 {
return 1
}
if n == 1 {
return x
}
//偶數
if n & 1 == 0 {
return self.powSplit(x, n/2) * self.powSplit(x, n/2)
}
//奇數
return self.powSplit(x, (n-1)/2) * self.powSplit(x, (n-1)/2) * x
}
採用按位取值的方法如下:
func powByByte(_ x: Int, _ n: Int) -> Int {
if x == 0 {
return 0
}
if x == 1 {
return x
}
var localN = n
var localX = x
var result = 1
while localN != 0 {
//當前位有效,乘以權值
if localN & 1 != 0 {
result = localX * result
}
//移位之前要按位加權
localX = (localX * localX)
localN = localN>>1
}
return result
}
這裏特別注意的一點是加權的時候,需要當前值的平方操作,如果按照二進制進行排列的話,當前位置的平方是下一位權重的權值內容。例如:
所以這裏要乘以當前位的自身值,來確定下一個位的權重值內容。將矩陣看成冪乘積之後,會發現關於矩陣乘積的方法又涉及到矩陣相乘的問題。
矩陣乘法
矩陣乘法的概念這裏就不多說了,直接看一下代碼實現。
/*
矩陣乘法算法
*/
func MartrixMutiply(_ leftMartrix: [[Int]], _ rightMartrix: [[Int]]) -> [[Int]] {
var resMartrix = [[Int]]()
var rowArr = [Int]()
for row in 0..<leftMartrix.count{
for col in 0..<rightMartrix[0].count{
rowArr.append(self.countElementIndex(leftMartrix, row, rightMartrix, col))
}
resMartrix.append(rowArr)
rowArr.removeAll()
}
return resMartrix
}
/*
計算某行元素與某一列元素的乘積和
*/
func countElementIndex(_ leftArray: [[Int]], _ rowIndex: Int, _ rightArray: [[Int]], _ colIndex: Int ) -> Int {
//要符合兩個矩陣相乘的前提
guard leftArray.count == rightArray[0].count else {
return -1
}
var result = 0
for index in 0..<leftArray.count {
result = result + leftArray[rowIndex][index] * rightArray[index][colIndex]
}
return result
}
最終我們通過將矩陣看成一個整體,對其內容的求解轉變爲求解x的n次方的問題,所以可以實現如下的代碼:
/*
升冪運算,依據矩陣推倒公式,相關的算法例如求解x的n次冪:x^n
*/
func powMartrix(_ x: [[Int]], _ n: Int) -> [[Int]] {
//先變成單位矩陣
var result = [[1,0],[0,1]]
var localN = n
var localX = x
while localN != 0 {
if localN & 1 != 0{
result = self.MartrixMutiply(localX, result)
}
localX = self.MartrixMutiply(localX, localX)
localN = localN >> 1
}
return result
}
依據公式F(n)對應位置剛好在Martrix[0][1]的位置,所以直接返回當前元素的值也即可得出F(n)的結果。如下:
/*
測試求值
*/
func fibTestDemo(_ n: Int) -> Int {
let res = self.fibMatrix(n)
return res[0][1]
}
利用矩陣來完成斐波那契的問題,是目前所能發現的算法的最優解,時間複雜度位O(logn),這樣的優質解法我覺得還是有必要掌握一下的,畢竟屬於基本算法的範疇,值得深思與思考,更能夠加強我們分析問題的能力,這也是衆多公司要求開發者理解並且會適當的使用算法的原因吧,總之,每天進步一點點,何樂而不爲呢~