n! = n * (n-1)! jika n & gt; 0
n! = 1 jika n = 0Berikut adalah kod python:
def factorial(n): """Calculates the factorial of a non-negative integer using recursion.""" if n == 0: return 1 else: return n * factorial(n-1) print(factorial(5)) # Output: 120
factorial(5)
Kes asas: factorial(4)
keadaan yang menghentikan rekursi. Tanpa kes asas, fungsi itu akan memanggil dirinya secara tak terhingga, yang membawa kepada A Stack Overflow: factorial(3)
Perangkap yang paling biasa melebihi kedalaman rekursi maksimum. Setiap panggilan rekursif menambah bingkai baru ke timbunan panggilan. Sekiranya rekursi itu terlalu mendalam, timbunan melimpah, mengakibatkan factorial(0)
. Ini sering berlaku apabila kes asas tidak betul atau hilang, yang membawa kepada rekursi tak terhingga.
2. Kekecewaan: rekursi boleh kurang efisien daripada lelaran untuk masalah tertentu, terutama yang dapat diselesaikan dengan mudah secara berulang. Overhead panggilan fungsi boleh memberi kesan yang signifikan, terutamanya untuk input yang besar. Kesukaran dalam debugging:
Mengesan aliran pelaksanaan dalam fungsi rekursif boleh mencabar. Memahami keadaan pembolehubah di setiap peringkat rekursi memerlukan analisis yang teliti. Menggunakan debugger boleh membantu dalam situasi ini.1. Pengoptimuman Rekursi Tail: Beberapa bahasa pengaturcaraan (bukan python dalam pelaksanaan standardnya) mengoptimumkan fungsi ekor-rekursif. Fungsi ekor-rekursif adalah satu di mana panggilan rekursif adalah operasi terakhir yang dilakukan dalam fungsi. Python tidak melakukan pengoptimuman panggilan ekor, jadi ini tidak akan meningkatkan kecekapan secara langsung dalam python.
2. Memoization: Memoization adalah teknik di mana hasil panggilan fungsi mahal di -cache. Jika fungsi dipanggil semula dengan input yang sama, hasil cache dikembalikan dan bukannya recomputing. Ini amat berkesan untuk fungsi rekursif di mana subproblem yang sama dikira berulang kali. Ini boleh dilaksanakan menggunakan kamus atau mekanisme caching lain. Memilih algoritma yang betul:
Kadang -kadang, pendekatan rekursif sememangnya kurang cekap daripada yang berulang. Pertimbangkan menggunakan penyelesaian berulang jika boleh, terutamanya untuk dataset besar atau tugas -tugas yang intensif secara komputasi. Mengoptimumkan kes asas:Pastikan kes asas dicapai dengan cekap. Kes asas yang tidak cekap dapat melambatkan prestasi keseluruhan secara signifikan. Dokumen) selalunya secara semula jadi dinyatakan secara rekursif. Masalahnya dipecah menjadi subproblem yang lebih kecil yang diselesaikan secara rekursif, dan hasilnya digabungkan. Kesamaan diri, di mana contoh yang lebih kecil masalah menyerupai masalah yang lebih besar, sangat sesuai untuk rekursi. Pilih pendekatan yang terbaik mengimbangi kebolehbacaan, penyelenggaraan, dan prestasi untuk masalah tertentu di tangan. Selalunya, penyelesaian berulang lebih disukai untuk kecekapan dan mengelakkan masalah limpahan timbunan, melainkan penyelesaian rekursif menawarkan kelebihan yang ketara dalam kejelasan atau kesimpulan.
Atas ialah kandungan terperinci Bagaimana cara menggunakan rekursi di Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!