【转载】递归、分治策略、动态规划以及贪心算法之间的关系
Contents
之前对于递归、分治策略、动态规划、贪心算法这些概念有点模糊，看到这一篇文章写的很清晰，所以转载一下。
引言
最近集中研究计算智能，其中涉及到递归和动态规划，动态规划实现中又用到了递归，忽然发现这两个概念的差别分得不太清楚。索性把递归、分治策略、动态规划、贪婪选择之间的联系与区别都一并搞清楚吧。
1、分治策略（Divide and Conquer）
将原问题分解为若干个规模较小但类似于原问题的子问题（Divide），递归的求解这些子问题（Conquer），然后再合并这些子问题的解来建立原问题的解。因为在求解大问题时，需要递归的求小问题，因此一般用递归的方法实现，即自顶向下。
2、动态规划（Dynamic Programming）
动态规划其实和分治策略是类似的，也是将一个原问题分解为若干个规模较小的子问题，递归的求解这些子问题，然后合并子问题的解得到原问题的解。区别在于这些子问题会有重叠，一个子问题在求解后，可能会再次求解，于是我们想到将这些子问题的解存储起来，当下次再次求解这个子问题时，直接拿过来就是。其实就是说，动态规划所解决的问题是分治策略所解决问题的一个子集，只是这个子集更适合用动态规划来解决从而得到更小的运行时间。即用动态规划能解决的问题分治策略肯定能解决，只是运行时间长了。因此，分治策略一般用来解决子问题相互对立的问题，称为标准分治，而动态规划用来解决子问题重叠的问题。
动态规划一般由两种方法来实现，一种为自顶向下的备忘录方式，用递归实现，一种为自底向上的方式，用迭代实现。
3、贪心算法（Greedy Algorithm）
贪心算法在每一步都做出最优的选择，希望这样的选择能导致全局最优解。对，只是寄希望，因此贪心算法并不保证得到最优解，但是它对很多问题确实可以得到最优解，而且运行时间更短。由此可见，贪心算法是带有启发性质的算法。那什么时候可以用贪心算法呢？当该问题具有贪心选择性质的时候，我们就可以用贪心算法来解决该问题。
贪心选择性质：我们可以通过做出局部最优（贪心）来构造全局最优。只要我们能够证明该问题具有贪心选择性质，就可以用贪心算法对其求解。比如对于0-1背包问题，我们用贪心算法可能得不到最优解（当然，也可能会得到最优解），但对于部分背包问题，则可以得到最优解，贪心算法可以作为0-1背包问题的一个近似算法。
动态规划与递归的比较
就性能而言，我用递归和动态规划实现了斐波纳契数列计算，递归如果超过40的时候就已经需要很长时间了，40次大概需要1秒左右，但是用动态规划要一亿次，才需要4秒，这个相差的可不是几个数量级的问题。事实上，递归实现的斐波那契数列计算时间复杂度为O(2ⁿ),动态规划实现时间复杂度为O(n)所以，在以后的开发中，尽量避免使用递归。
就具体实现上而言，动态规划比普通递归仅仅是多了一步保存子问题计算结果的操作。
例如，斐波那契数列的递归实现如下：
int F(int i)
{
if(i < 1) return 0;
if(i == 1) return 1;
return F(i-1) + F(i - 2);
}而用动态规划算法实现是这样：
int F(int i)
{
if(knownF[i] != unknown){
return knownF[i];
}
if(i == 0) t = 0;
if(i == 1) t = 1;
if(i > 1) t = F(i - 1) + F(i - 2);
return knownF[i] = t;
}4、总结
分治策略用于解决原问题与子问题结构相似的问题，对于各子问题相互独立的情况，一般用递归实现；
动态规划用于解决子问题有重复求解的情况，既可以用递归实现，也可以用迭代实现；
贪心算法用于解决具有贪心选择性质的一类问题，既可以用递归实现，也可以用迭代实现，因为很多递归贪心算法都是尾递归，很容易改成迭代贪心算法；
递归是实现手段，分治策略是解决问题的思想，动态规划很多时候会使用记录子问题运算结果的递归实现。
参考资料：
1.http://1661518.blog.51cto.com/1651518/1396943
2.《算法导论》第三版