算法优化实战

算法优化实战

优化算法是提升程序效率的核心手段，需结合数学分析与工程实践。以下通过斐波那契数列案例展示优化策略：

1. 问题描述

斐波那契数列定义为：
$$F(0) = 0, \quad F(1) = 1, \quad F(n) = F(n-1) + F(n-2) \quad (n \geq 2)$$
直接递归实现的时间复杂度为$O(2^n)$，需优化至$O(n)$或更低。

2. 优化策略

策略1：记忆化搜索（自顶向下）

• 核心思想：存储已计算的$F(k)$值，避免重复递归
• 时间复杂度：$O(n)$
• 空间复杂度：$O(n)$

def fib_memo(n, memo={}):
    if n <= 1:
        return n
    if n not in memo:
        memo[n] = fib_memo(n-1, memo) + fib_memo(n-2, memo)
    return memo[n]

策略2：动态规划（自底向上）

• 核心思想：迭代计算子问题，消除递归栈开销
• 时间复杂度：$O(n)$
• 空间复杂度：$O(1)$（仅需两个变量）

def fib_dp(n):
    if n <= 1:
        return n
    a, b = 0, 1
    for _ in range(2, n+1):
        a, b = b, a + b
    return b

3. 数学优化（矩阵幂）

利用矩阵乘法将问题转化为幂运算：
$$ \begin{pmatrix} F(n+1) \ F(n) \end{pmatrix}

\begin{pmatrix} 1 & 1 \ 1 & 0 \end{pmatrix}^n \begin{pmatrix} F(1) \ F(0) \end{pmatrix} $$
通过快速幂算法（如二分幂），时间复杂度降至$O(\log n)$。

def matrix_mult(A, B):
    return [
        [A[0][0]*B[0][0] + A[0][1]*B[1][0], A[0][0]*B[0][1] + A[0][1]*B[1][1]],
        [A[1][0]*B[0][0] + A[1][1]*B[1][0], A[1][0]*B[0][1] + A[1][1]*B[1][1]]
    ]

def matrix_pow(M, k):
    if k == 1:
        return M
    half = matrix_pow(M, k//2)
    squared = matrix_mult(half, half)
    return matrix_mult(squared, M) if k % 2 else squared

def fib_matrix(n):
    if n == 0:
        return 0
    M = [[1, 1], [1, 0]]
    M_pow = matrix_pow(M, n)
    return M_pow[0][1]  # F(n)

4. 性能对比

关键洞见：优化需平衡时间-空间复杂度，结合问题规模选择策略。矩阵法虽理论最优，但工程中动态规划更易实现且常数因子小。