算法分析与设计——递归算法(一)

简介: 算法分析与设计——递归算法(一)

1. 递归含义与特征

递归含义:一种自身调用自身或间接调用自身的算法.核心将大规模问题转化为小规模问题,小规模问题是大规模问题的解。
递归问题特征:1.问题P涉及数据规模P(size)
            2.问题规模发生变化后,解决问题的方法完全相同,并且原问题(通常是大规模问题)的解释由小规模问题的解构成
          3.小规模问题是可以求解的(在有限步内可以停机) 解决递归问题的思想核心是归纳法,归纳法思想核心:
                         1.基础步:a1是问题P(1)的解
                          2.归纳步:归纳出某种通用的式子可以满足任意值 得出通式  即an=P(n)的解

2. 例题

1.基于递归算法的插入排序
 对n个元素组成的数组A进行排序
 输入:数组A[],数组中的元素个数n
 输出:按非递减顺序排序的数组A【】
 思路:
     插入排序是在已知有序的数组中插入一个元素通过组内比较大小找到一个合适的位置,将找到的位置之后的元素整体后移再插入元素,使之成为新的有序数组,然后依次扩大有序的数组,进行相同的操作,直到数组取完。
     找出特征:1.首先找出数据规模:SIZE=n;
             2.找出对规模改变后的相同的解决方法:组内比较找到位置,位置之后的元素整体后移
             3.小规模问题有解:n=1 有序
     归纳:
     基本步:
             当n=1时 数组只有一个A[0],不需要排序比较。
     归纳步:  
             通过组内比较大小找到一个合适的位置,将找到的位置之后的元素整体后移再插入元素。
 代码实现:
 void insert_sort_rec(Type A[],int n){
     Type a;
     n=n-1;
     if(n>0)//小规模问题有解
     {
     insert_sort_rec(A[n],n);//调用自身 将大规模交给小规模求解
     a=A[n];
     k=n-1;
         while((k>=0)&&(A[k]>a)){//组内比较 找到位置 整体后移
             a[k+1]=a[k];
             k=k-1;
         }
         A[k+1]=a;//此时的A[k]<a 即k+1位置是给a的 插入新元素到合适的位置
     }
 }
 算法分析:
   此算法的最坏情况时间复杂度:
   f(n)=f(n-1)+n-1=f(n-2)+(n-2)+(n-1)=f(0)+(k=1到n-1的k的累加)=n*(n-1)/2
   即时间复杂度O(n*n);
 2.多项式求值的递归算法
 设有如下的n阶多项式:Pn(x)=an*X^n+an-1*X^n-1+...+a1*x+a0
 输入:存放于数组的多项式系数A【】及x,多项式的阶数n
 输出:阶数为n的多项式的值
 思想:将上式改为秦九韶算法
      Pn=((...((((an)*x+an-1)*x+an-2)*x+an-3)*x+...)*x+a1)*x+a0
      进行归纳:
      基础步:n=0,P0=a0;
      归纳步:Pk=x*Pk-1+An-k
 代码实现:
     float qinjiushao_alm(float x,float A[],int n){
      float p;
      if(n==0){
        p=A[0];
      }else{
        p=qinjiushao_alm(x,A,n-1)*x+A[n];
      }return p;
     }
算法分析:
    f(0)=0
    f(n)=f(n-1)+1
    f(n)=O(n);
相关文章
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
634 3
|
数据采集 机器学习/深度学习 算法
别急着上算法,咱先把数据整明白:大数据分析的5个基本步骤,你都搞对了吗?
别急着上算法,咱先把数据整明白:大数据分析的5个基本步骤,你都搞对了吗?
1181 4
|
机器学习/深度学习 边缘计算 算法
NOMA和OFDMA优化算法分析
NOMA和OFDMA优化算法分析
678 127
|
运维 监控 JavaScript
基于 Node.js 图结构的局域网设备拓扑分析算法在局域网内监控软件中的应用研究
本文探讨图结构在局域网监控系统中的应用,通过Node.js实现设备拓扑建模、路径分析与故障定位,提升网络可视化、可追溯性与运维效率,结合模拟实验验证其高效性与准确性。
693 3
|
存储 边缘计算 算法
【太阳能学报EI复现】基于粒子群优化算法的风-水电联合优化运行分析(Matlab代码实现)
【太阳能学报EI复现】基于粒子群优化算法的风-水电联合优化运行分析(Matlab代码实现)
254 0
|
编解码 算法 5G
MIMO雷达空间谱估计中Capon算法与MUSIC算法的对比分析及实现
MIMO雷达空间谱估计中Capon算法与MUSIC算法的对比分析及实现
1175 2
|
人工智能 自然语言处理 算法
2025 年 7 月境内深度合成服务算法备案情况分析报告
2025年7月,中央网信办发布第十二批深度合成算法备案信息,全国389款产品通过备案,服务提供者占比超七成。截至7月14日,全国累计备案达3834款,覆盖文本、图像、音视频等多模态场景,广泛应用于生活服务、医疗、金融等领域。广东以135款居首,数字人、AI客服等C端应用主导,民营企业成主力,国企聚焦公共服务。随着AI政策推动,备案已成为AI产品合规上线关键环节。
|
机器学习/深度学习 算法 5G
【MUSIC、最大似然与克拉美-罗下界】MUSIC与ESPRIT 算法来估计到达角(AoA),并尝试推导克拉美-罗下界(CRLB)以分析其性能研究(Matlab代码实现)
【MUSIC、最大似然与克拉美-罗下界】MUSIC与ESPRIT 算法来估计到达角(AoA),并尝试推导克拉美-罗下界(CRLB)以分析其性能研究(Matlab代码实现)
870 0
|
自然语言处理 算法 安全
境内深度合成服务算法备案通过名单分析报告
本报告基于《境内深度合成服务算法备案通过名单》,分析了2023年6月至2025年3月公布的10批备案数据,涵盖属地分布、行业应用及产品形式等多个维度。报告显示,深度合成算法主要集中于经济发达地区,如北京、广东、上海等地,涉及教育、医疗、金融、娱乐等多行业。未来趋势显示技术将向多模态融合、行业定制化和安全合规方向发展。建议企业加强技术研发、拓展应用场景、关注政策动态,以在深度合成领域抢占先机。此分析旨在为企业提供参考,助力把握技术发展机遇。
境内深度合成服务算法备案通过名单分析报告
|
供应链 算法 搜索推荐
从公布的前十一批其他算法备案通过名单分析
2025年3月12日,国家网信办发布算法备案信息,深度合成算法通过395款,其他算法45款。前10次备案中,深度合成算法累计3234款,其他类别647款。个性化推送类占比49%,涵盖电商、资讯、视频推荐;检索过滤类占31.53%,用于搜索优化和内容安全;调度决策类占9.12%,集中在物流配送等;排序精选类占8.81%,生成合成类占1.55%。应用领域包括电商、社交媒体、物流、金融、医疗等,互联网科技企业主导,技术向垂直行业渗透,内容安全和多模态技术成新增长点。未来大模型检索和多模态生成或成重点。
从公布的前十一批其他算法备案通过名单分析

热门文章

最新文章