我的笔记：
递归是一种很常见的计算编程方法，现在通过阶乘案例来学习递归
demo1:
function factorial(num) { if(num === 1) return num; return num * factorial(num - 1); // 递归求n的阶乘，会递归n次，每次递归内部计算时间是常数，需要保存n个调用记录，复杂度 O(n) } const view = factorial(100); console.time(1); console.log(view); // 1: 3.568ms console.timeEnd(1);
// 如果改为尾递归，只需要保留一个调用记录，复杂度为O(1) function factorial01(n, tntal) { if(n === 1) return tntal return factorial(n - 1, n * tntal) // 把每一步的乘积传入到递归函数中，每次仅返回递归函数本身，total在函数调用前就会被计算，不会影响函数调用 } console.time(2) console.log(factorial01(5, 1)) // 120 console.timeEnd(2) // 2: 0.14404296875ms
每一个栈帧对应着一个未运行完的函数，栈帧中保存了该函数的返回地址和局部变量。
栈帧也叫过程活动记录，是编译器用来实现过程/函数调用的一种数据结构。从逻辑上讲，栈帧就是一个函数执行的环境：函数参数、函数的局部变量、函数执行完后返回到哪里等。
栈是从高地址向低地址延伸的。每一个函数的每次调用，都有他自己独立的一个栈帧，这个栈帧中维持着所需要的各种信息。寄存器ebp指向当前栈帧的底部（高地址），寄存器esp指向当前的栈帧的顶部（低地址）
注意：
-
EBP指向当前位于系统栈最上边的一个栈帧的底部，而不是系统栈的底部。严格说来，“栈帧底部”和“栈底”是不通的概念
-
ESP所指的是栈帧顶部和系统的顶部是同一个位置
递归算法的时间复杂度：递归的总次数*每次递归的数量。
递归算法的空间复杂度：递归的深度*每次递归创建变量的个数。
算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。这是一个代表算法输入的字符串的长度的函数。时间复杂度通常用大O符号表示，不包括这个函数的低阶项和首项系数。
使用这种方式时，时间复杂度可被成为是渐进的，也考察输入值大小趋近无穷时的情况。
名词解释：
-
n：问题的规模，n是不断变化的。
-
T(n)：语句频度或称时间频度——算法解决问题所执行语句的次数。
-
f(n)：辅助函数，使得T(n)/f(n)的极限为不等于零的常数，那么称f(n)是T(n)的同数量级函数。
-
O：大O符号,一种符号,表示渐进于无穷的行为——大O表示只是说有上界但并不是上确界。
例如，如果一个算法对于任何大小为n（必须比 大)的输入，它至少需要 的时间运行完毕，那么它的渐进时间复杂度是 O()。
计算方法
-
一般情况下，算法中的基本操作重复执行的次数是问题规模n的摸个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限为不等于零的常数，则趁f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))，称O(f(n))为算法的渐进时间复杂度，简称时间复杂度。
分析：随着模块n的增大，算法执行时间的增长率和f(n)的增长率成正比，所以f(n)越小，算法的时间复杂度越低，算法的效率越高。
-
在计算时间复杂度的时候，先找出算法的基础操作，然后根据相应的各语句确定它的执行次数，再找出T(n)的同数量级（他的同数量级有以下：1，，，，，，，），找出f(n)=该数量级，若T(n)/f(n)求极限可以得到一常数c，则时间复杂度T(n)=O(f(n))。
-
时间复杂度比较简单的计算方法是：看看有几重for循环，只有一重则时间复杂度为O(n) ，二重则为O(n^2)，依此类推，如果有二分则为O(logn)，二分例如快速幂、二分查找，如果一个for循环套一个二分，那么时间复杂度则为O(nlogn)。
-
O(1)的算法是一些运算为常数的算法。例如：
temp = a; a = b; b = temp; // 上面语句共三条操作，单条操作的频度为1，即使他有成千上万条操作，也只是个较大的书而已，这一类的时间复杂度为O(1)
let sum = 0; // 频度为1 for(let i = 0; i < n; i++) { // 频度为n sum++; // 频度为n } // 三行的频度加起来为f(n)= i + n + n = 2n + 1,所以时间复杂度为O(n)，这一类算法中操作次数和n成正比线性增长
int i = 1; while(i <= n) { i = i * 2; }
let sum = 0; // 频度为1 for(let i = 0; i < n; i++) { // 频度为n for(let j = 0; j < n; j++) { // 频度为n的平方 sum++; // 频度为n的平方 } }
在快速排序中，最坏的情况运行时间是，但是期望值为，所以必须通过一些手段，就可以一期望时间运行。
实际情况下如果不是迫不得已不要用时间复杂度为指数的算法，除非n特别小。
比如直接插入排序的时间复杂度是O(n^2),空间复杂度是O(1) 。
有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况。
算法的空间复杂度是指算法所需要消耗的空间资源，其计算和表示方法与时间复杂度类似。一般都用复杂度的渐进性来表示。同时间复杂度相比，空间复杂度的分析要简单的多。
概念：有一个已经有序的数据序列，要求在这个已经排好的数据序列中插入一个数，但要求插入后此数据序列仍然有序。
可以分为直接插入排序和折半插入排序（二分插入排序）
-
直接插入排序——双重for循环
-
二分插入排序
-
二分插入排序的基本思想和插入排序一致；都是将某个元素插入到已经有序的序列的正确的位置
-
和直接插入排序的最大区别是，元素A[i]的位置的方法不一样；直接插入排序是从A[i-1]往前一个个比较，从而找到正确的位置；而二分插入排序，利用前i-1个元素已经是有序的特点结合二分查找的特点，找到正确的位置，从而将A[i]插入，并保持新的序列依旧有序
-
减少元素之间比较次数，最坏情况o(n^2)，最好情况o(nlogn)：刚好插入位置为二分位置
-
function Fibonacci(n) { if(n <= 1) return 1; return Fibonacci(n - 1) + Fibonacci(n - 2); }; console.time(1) console.log(Fibonacci(20)) // 10946 console.timeEnd(1) // 1: 4.115966796875ms // console.time(2) // console.log(Fibonacci(100)) // console.timeEnd(2) // stack overflow 堆栈溢出
可见递归出口在n>=2是，就会一直在现有函数栈上开辟新的空间，所以容易出现栈溢出。
二叉树的高度为n-1,一个高度为k的二叉树最多可以由(2^n-1)个叶子节点，也就是递归过程函数调用的次数，所以时间复杂度为O(2^n)，而空间复杂度为S(n)。
-
空间复杂度可达到o(1)，但时间复杂度是o(n);
function Fibonacci01(n, ac1 = 1, ac2 = 1) { if(n <= 1) return ac2 return Fibonacci01(n - 1, ac2, ac1 + ac2) } console.time(3) console.log(Fibonacci01(100)) // 573147844013817200000 console.timeEnd(3) // 3: 0.52197265625ms