动态规划：动态规划入门，斐波那契数列的高效解法
斐波那契数列定义为f(0)=0，f(1)=1，n>1时f(n)=f(n-1)+f(n-2)。直接递归计算时，因重复计算过多，时间复杂度达O(2^n)，效率极低。 动态规划通过空间换时间优化：一是记忆化递归，用备忘录数组存储已计算结果，每个子问题仅算一次，时间与空间复杂度均为O(n)；二是递推法，仅用两个变量迭代计算，时间O(n)、空间O(1)，为最优解。 动态规划核心特性是重叠子问题（子问题重复出现）与最优子结构（当前解依赖子问题解）。其本质是通过存储子问题结果避免重复计算，斐波那契是经典入门案例，掌握后可推广至爬楼梯等同类问题。
阅读全文递归：递归是什么？用斐波那契数列举例，初学者也能懂
这篇文章用生活化的例子和经典案例讲解了递归的概念。递归是将大问题分解为更小的同类问题，直到问题小到可直接解决（终止条件），再通过小问题结果反推大问题结果的方法，核心是“分解”与“终止”。 以斐波那契数列为例，其递归定义为：F(0)=0，F(1)=1，n>1时F(n)=F(n-1)+F(n-2)。计算F(5)时，需先算F(4)和F(3)，依此类推，直到分解到F(0)或F(1)（终止条件），再逐层返回结果。递归的关键是必须有明确终止条件（如n=0、1），且每次调用规模递减，否则会无限循环。 Python代码实现简洁：`def fibonacci(n): if n==0: return 0; elif n==1: return 1; else: return fibonacci(n-1)+fibonacci(n-2)`。递归代码优雅但计算大数字（如F(100)）时效率低于迭代法，体现了“以退为
阅读全文递归怎么理解？用斐波那契数列轻松学递归
递归是“自己调用自己”的解决问题方法，将大问题分解为更小的同类子问题，直至子问题可直接解决，再逐层返回结果（如俄罗斯套娃拆解）。其核心要素是**终止条件**（避免无限循环，如n=0、n=1时返回固定值）和**递归关系**（分解为子问题，如F(n)=F(n-1)+F(n-2)）。 以斐波那契数列为例，递归函数`fib(n)`通过终止条件和递归关系实现：`fib(0)=0`、`fib(1)=1`，`fib(n)=fib(n-1)+fib(n-2)`。以`fib(5)`为例，需递归计算`fib(4)`与`fib(3)`，逐层分解至`fib(1)`和`fib(0)`，再反向组合结果，最终得到答案。 递归过程如“剥洋葱”，触底后反弹。优点是逻辑清晰、易实现，但存在重复计算（如`fib(3)`被多次调用），效率较低，可通过记忆化或迭代优化。 递归本质是“大问题化小，小问题
阅读全文