2. 程式人生 > >看動畫輕鬆理解「遞迴」與「動態規劃」

看動畫輕鬆理解「遞迴」與「動態規劃」

阿新 • • 發佈：2018-12-26

在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。

程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，然後通過「遞迴」的概念延伸至理解「動態規劃」演算法思想。

什麼是遞迴

先下定義：遞迴演算法是一種直接或者間接呼叫自身函式或者方法的演算法。

通俗來說，遞迴演算法的實質是把問題分解成規模縮小的同類問題的子問題，然後遞迴呼叫方法來表示問題的解。它有如下特點：

    1. 一個問題的解可以分解為幾個子問題的解
    1. 這個問題與分解之後的子問題，除了資料規模不同，求解思路完全一樣
    1. 存在遞迴終止條件，即必須有一個明確的遞迴結束條件，稱之為遞迴出口

遞迴動畫

通過動畫一個一個特點來進行分析。

1.一個問題的解可以分解為幾個子問題的解

子問題就是相對與其前面的問題資料規模更小的問題。

在動圖中①號問題（一塊大區域）劃分為②號問題，②號問題由兩個子問題（兩塊中區域）組成。

2. 這個問題與分解之後的子問題，除了資料規模不同，求解思路完全一樣

「①號劃分為②號」與「②號劃分為③號」的邏輯是一致的，求解思路是一樣的。

3. 存在遞迴終止條件，即存在遞迴出口

把問題分解為子問題，把子問題再分解為子子問題，一層一層分解下去，不能存在無限迴圈，這就需要有終止條件。

①號劃分為②號，②號劃分為③號，③號劃分為④號，劃分到④號的時候每個區域只有一個不能劃分的問題，這就表明存在遞迴終止條件。

從遞迴的經典示例開始

一.陣列求和

陣列求和 

Sum(arr[0...n-1]) = arr[0] + Sum(arr[1...n-1])

複製程式碼

後面的 Sum 函式要解決的就是比前一個 Sum 更小的同一問題。

Sum(arr[1...n-1]) = arr[1] + Sum(arr[2...n-1])

複製程式碼

以此類推，直到對一個空陣列求和，空陣列和為 0 ，此時變成了最基本的問題。

Sum(arr[n-1...n-1] ) = arr[n-1] + Sum([])

複製程式碼

二.漢諾塔問題

漢諾塔（Hanoi Tower）問題也是一個經典的遞迴問題，該問題描述如下：

漢諾塔問題：古代有一個梵塔，塔內有三個座A、B、C，A座上有64個盤子，盤子大小不等，大的在下，小的在上。有一個和尚想把這個盤子從A座移到B座，但每次只能允許移動一個盤子，並且在移動過程中，3個座上的盤子始終保持大盤在下，小盤在上。

兩個盤子

三個盤子

  • ① 如果只有 1 個盤子，則不需要利用 B 塔，直接將盤子從 A 移動到 C 。

  • ② 如果有 2 個盤子，可以先將盤子 2 上的盤子 1 移動到 B ；將盤子 2 移動到 C ；將盤子 1 移動到 C 。這說明了：可以藉助 B 將 2 個盤子從 A 移動到 C ，當然，也可以藉助 C 將 2 個盤子從 A 移動到 B 。

  • ③ 如果有 3 個盤子，那麼根據 2 個盤子的結論，可以藉助 C 將盤子 3 上的兩個盤子從 A 移動到 B ；將盤子 3 從 A 移動到 C ，A 變成空座；藉助 A 座，將 B 上的兩個盤子移動到 C 。   

  • ④ 以此類推，上述的思路可以一直擴充套件到 n 個盤子的情況，將將較小的 n-1個盤子看做一個整體，也就是我們要求的子問題，以藉助 B 塔為例，可以藉助空塔 B 將盤子A上面的 n-1 個盤子從 A 移動到 B ；將A 最大的盤子移動到 C ， A 變成空塔；藉助空塔 A ，將 B 塔上的 n-2 個盤子移動到 A，將 C 最大的盤子移動到 C， B 變成空塔。。。

三.爬臺階問題

問題描述：

一個人爬樓梯，每次只能爬1個或2個臺階，假設有n個臺階，那麼這個人有多少種不同的爬樓梯方法？

先從簡單的開始，以 4 個臺階為例，可以通過每次爬 1 個臺階爬完樓梯：

每次爬 1 個臺階

可以通過先爬 2 個臺階，剩下的每次爬 1 個臺階爬完樓梯

先爬 2 個臺階

在這裡，可以思考一下：可以根據第一步的走法把所有走法分為兩類：

  • ① 第一類是第一步走了 1 個臺階
  • ② 第二類是第一步走了 2 個臺階

所以 n 個臺階的走法就等於先走 1 階後，n-1 個臺階的走法 ，然後加上先走 2 階後，n-2 個臺階的走法。

用公式表示就是：

f(n) = f(n-1)+f(n-2)

有了遞推公式，遞迴程式碼基本上就完成了一半。那麼接下來考慮遞迴終止條件。

當有一個臺階時，我們不需要再繼續遞迴，就只有一種走法。

所以 f(1)=1。

通過用 n = 2，n = 3 這樣比較小的數試驗一下後發現這個遞迴終止條件還不足夠。

n = 2 時，f(2) = f(1) + f(0)。如果遞迴終止條件只有一個f(1) = 1，那 f(2) 就無法求解，遞迴無法結束。
所以除了 f(1) = 1 這一個遞迴終止條件外，還要有 f(0) = 1，表示走 0 個臺階有一種走法，從思維上以及動圖上來看，這顯得的有點不符合邏輯。所以為了便於理解，把 f(2) = 2 作為一種終止條件，表示走 2 個臺階，有兩種走法，一步走完或者分兩步來走。

總結如下：

  • ① 假設只有一個臺階，那麼只有一種走法，那就是爬 1 個臺階
  • ② 假設有兩個個臺階，那麼有兩種走法，一步走完或者分兩步來走

遞迴終止條件

通過遞迴條件：

f(1) = 1;
f(2) = 2;
f(n) = f(n-1)+f(n-2)

複製程式碼

很容易推匯出遞迴程式碼：

int f(int n) {
  if (n == 1) return 1;
  if (n == 2) return 2;
  return f(n-1) + f(n-2);
}
複製程式碼

通過上述三個示例，總結一下如何寫遞迴程式碼：

  • 1.找到如何將大問題分解為小問題的規律
  • 2.通過規律寫出遞推公式
  • 3.通過遞迴公式的臨界點推敲出終止條件
  • 4.將遞推公式和終止條件翻譯成程式碼

什麼是動態規劃

介紹動態規劃之前先介紹一下分治策略（Divide and Conquer）。

分治策略

將原問題分解為若干個規模較小但類似於原問題的子問題（Divide），「遞迴」的求解這些子問題（Conquer），然後再合併這些子問題的解來建立原問題的解。

因為在求解大問題時，需要遞迴的求小問題，因此一般用「遞迴」的方法實現，即自頂向下。

動態規劃（Dynamic Programming）

動態規劃其實和分治策略是類似的，也是將一個原問題分解為若干個規模較小的子問題，遞迴的求解這些子問題，然後合併子問題的解得到原問題的解。
區別在於這些子問題會有重疊，一個子問題在求解後，可能會再次求解，於是我們想到將這些子問題的解儲存起來，當下次再次求解這個子問題時，直接拿過來就是。
其實就是說，動態規劃所解決的問題是分治策略所解決問題的一個子集，只是這個子集更適合用動態規劃來解決從而得到更小的執行時間。
即用動態規劃能解決的問題分治策略肯定能解決，只是執行時間長了。因此，分治策略一般用來解決子問題相互對立的問題，稱為標準分治，而動態規劃用來解決子問題重疊的問題。

與「分治策略」「動態規劃」概念接近的還有「貪心演算法」「回溯演算法」，由於篇幅限制，程式設計師小吳就不在這進行展開，在後續的文章中將分別詳細的介紹「貪心演算法」、「回溯演算法」、「分治演算法」，敬請關注：）

將「動態規劃」的概念關鍵點抽離出來描述就是這樣的：

  • 1.動態規劃法試圖只解決每個子問題一次
  • 2.一旦某個給定子問題的解已經算出，則將其記憶化儲存，以便下次需要同一個子問題解之時直接查表。

從遞迴到動態規劃

還是以 爬臺階 為例，如果以遞迴的方式解決的話，那麼這種方法的時間複雜度為O(2^n)，具體的計算可以檢視筆者之前的文章 《冰與火之歌：時間複雜度與空間複雜度》。

相同顏色代表著 爬臺階問題 在遞迴計算過程中重複計算的部分。

爬臺階的時間複雜度

通過圖片可以發現一個現象，我們是 自頂向下 的進行遞迴運算，比如：f(n) 是f(n-1)與f(n-2)相加，f(n-1) 是f(n-2)與f(n-3)相加。

思考一下：如果反過來，採取自底向上，用迭代的方式進行推導會怎麼樣了？

下面通過表格來解釋 f(n)自底向上的求解過程。

臺階數 1 2 3 4 5 6 7 8 9
走法數 1 2

表格的第一行代表了樓梯臺階的數目，第二行代表了若干臺階對應的走法數。 其中f(1) = 1 和 f(2) = 2是前面明確的結果。

第一次迭代，如果臺階數為 3 ，那麼走法數為 3 ，通過 f(3) = f(2) + f(1)得來。

臺階數 1 2 3 4 5 6 7 8 9
走法數 1 2 3

第二次迭代，如果臺階數為 4 ，那麼走法數為 5 ，通過 f(4) = f(3) + f(2)得來。

臺階數 1 2 3 4 5 6 7 8 9
走法數 1 2 3 5

由此可見，每一次迭代過程中，只需要保留之前的兩個狀態，就可以推到出新的狀態。

show me the code

int f(int n) {
    if (n == 1) return 1;
    if (n == 2) return 2;
    // a 儲存倒數第二個子狀態資料，b 儲存倒數第一個子狀態資料， temp 儲存當前狀態的資料
    int a = 1, b = 2;
    int temp = a + b;
    for (int i = 3; i <= n; i++) {
        temp = a + b;
        a = b;
        b = temp; 
    }
    return temp; 
}

複製程式碼

程式從 i = 3 開始迭代，一直到 i = n 結束。每一次迭代，都會計算出多一級臺階的走法數量。迭代過程中只需保留兩個臨時變數 a 和 b ，分別代表了上一次和上上次迭代的結果。為了便於理解，引入了temp變數。temp代表了當前迭代的結果值。

看一看出，事實上並沒有增加太多的程式碼，只是簡單的進行了優化，時間複雜度便就降為O(n)，而空間複雜度也變為O(1)，這，就是「動態規劃」的強大！

詳解動態規劃

「動態規劃」中包含三個重要的概念：

  • 【最優子結構】
  • 【邊界】
  • 【狀態轉移公式】

在「 爬臺階問題 」中

f(10) = f(9) + f(8) 是【最優子結構】
f(1) 與 f(2) 是【邊界】
f(n) = f(n-1) + f(n-2) 【狀態轉移公式】

「 爬臺階問題 」 只是動態規劃中相對簡單的問題，因為它只有一個變化維度，如果涉及多個維度的話，那麼問題就變得複雜多了。

難點就在於找出 「動態規劃」中的這三個概念。

比如「 國王和金礦問題 」。

國王和金礦問題

有一個國家發現了 5 座金礦，每座金礦的黃金儲量不同，需要參與挖掘的工人數也不同。參與挖礦工人的總數是 10 人。每座金礦要麼全挖，要麼不挖，不能派出一半人挖取一半金礦。要求用程式求解出，要想得到儘可能多的黃金，應該選擇挖取哪幾座金礦？

5 座金礦

找出 「動態規劃」中的這三個概念

國王和金礦問題中的【最優子結構】

國王和金礦問題中的【最優子結構】

國王和金礦問題中的【最優子結構】有兩個：

  • ① 4 金礦 10 工人的最優選擇
  • ② 4 金礦 （10 - 5） 工人的最優選擇

4 金礦的最優選擇與 5 金礦的最優選擇之間的關係是

MAX[（4 金礦 10 工人的挖金數量），（4 金礦 5 工人的挖金數量 + 第 5 座金礦的挖金數量）]

國王和金礦問題中的【邊界】

國王和金礦問題中的【邊界】 有兩個：

  • ① 當只有 1 座金礦時，只能挖這座唯一的金礦，得到的黃金數量為該金礦的數量
  • ② 當給定的工人數量不夠挖 1 座金礦時，獲取的黃金數量為 0
國王和金礦問題中的【狀態轉移公式】

我們把金礦數量設為 N，工人數設為 W，金礦的黃金量設為陣列G[]，金礦的用工量設為陣列P[]，得到【狀態轉移公式】： ​

  • 邊界值：F(n,w) = 0 (n <= 1, w < p[0])

  • F(n,w) = g[0] (n==1, w >= p[0])

  • F(n,w) = F(n-1,w) (n > 1, w < p[n-1])

  • F(n,w) = max(F(n-1,w), F(n-1,w-p[n-1]) + g[n-1]) (n > 1, w >= p[n-1])

國王和金礦問題中的【實現】

先通過幾幅動畫來理解 「工人」 與 「金礦」 搭配的方式

1.只挖第一座金礦

只挖第一座金礦

在只挖第一座金礦前面兩個工人挖礦收益為 零，當有三個工人時，才開始產生收益為 200，而後即使增加再多的工人收益不變，因為只有一座金礦可挖。

2.挖第一座與第二座金礦

挖第一座與第二座金礦

在第一座與第二座金礦這種情況中，前面兩個工人挖礦收益為 零，因為 W < 3,所以F(N,W) = F(N-1,W) = 0。

當有 三 個工人時，將其安排挖第 一 個金礦，開始產生收益為 200。

當有 四 個工人時，挖礦位置變化，將其安排挖第 二 個金礦，開始產生收益為 300。

當有 五、六 個工人時，由於多於 四 個工人的人數不足以去開挖第 一 座礦，因此收益還是為 300。

當有 七 個工人時，可以同時開採第 一 個和第 二 個金礦，開始產生收益為 500。

3.挖前三座金礦

這是「國王和金礦」 問題中最重要的一個動畫之一，可以多看幾遍

挖前三座金礦

4.挖前四座金礦

這是「國王和金礦」 問題中最重要的一個動畫之一，可以多看幾遍

挖前四座金礦

國王和金礦問題中的【規律】

仔細觀察上面的幾組動畫可以發現：

  • 對比「挖第一座與第二座金礦」和「挖前三座金礦」，在「挖前三座金礦」中，3 金礦 7 工人的挖礦收益，來自於 2 金礦 7 工人和 2 金礦 4 工人的結果，Max(500,300 + 350) = 650；

  • 對比「挖前三座金礦」和「挖前四座金礦」，在「挖前四座金礦」中，4 金礦 10 工人的挖礦收益，來自於 3 金礦 10 工人和 3 金礦 5 工人的結果，Max(850,400 + 300) = 850；

國王和金礦問題中的【動態規劃程式碼】

程式碼來源：https://www.cnblogs.com/SDJL/archive/2008/08/22/1274312.html

//maxGold[i][j] 儲存了i個人挖前j個金礦能夠得到的最大金子數，等於 -1 時表示未知
int maxGold[max_people][max_n];

int GetMaxGold(int people, int mineNum){
    int retMaxGold;                            //宣告返回的最大金礦數量
    //如果這個問題曾經計算過
    if(maxGold[people][mineNum] != -1){
        retMaxGold = maxGold[people][mineNum]; //獲得儲存起來的值
    }else if(mineNum == 0) {                   //如果僅有一個金礦時 [ 對應動態規劃中的"邊界"]
        if(people >= peopleNeed[mineNum])      //當給出的人數足夠開採這座金礦
            retMaxGold = gold[mineNum];        //得到的最大值就是這座金礦的金子數
        else                                   //否則這唯一的一座金礦也不能開採
            retMaxGold = 0;                    //得到的最大值為 0 個金子
    }else if(people >= peopleNeed[mineNum])    // 如果人夠開採這座金礦[對應動態規劃中的"最優子結構"]
    {
        //考慮開採與不開採兩種情況，取最大值
        retMaxGold = max(
                         GetMaxGold(people - peopleNeed[mineNum],mineNum - 1) + gold[mineNum],
                         GetMaxGold(people,mineNum - 1)
                         );
    }else//否則給出的人不夠開採這座金礦 [ 對應動態規劃中的"最優子結構"]
    {
        retMaxGold = GetMaxGold(people,mineNum - 1);     //僅考慮不開採的情況
        maxGold[people][mineNum] = retMaxGold;
    }
    return retMaxGold;
}
複製程式碼

動態規劃程式碼

希望通過這篇文章，大家能對「遞迴」與「動態規劃」有一定的理解。後續將以「動態規劃」為基礎研究多重揹包演算法、迪杰特斯拉演算法等更高深的演算法問題，同時「遞迴」的更多概念也會在「分治演算法」章節再次延伸，敬請對程式設計師小吳保持關注：）

相關推薦

看動畫輕鬆理解「遞迴」與「動態規劃」

在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。 程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，然後通過「遞迴」的概念延伸至理解「動態規劃」演算法思想。 什麼是遞迴 先下定義：遞迴演算

看動畫輕鬆理解「遞迴」與「動態規劃」（完整版）

Follow: MisterBooo · GitHub 如果文章程式碼不便閱讀，可點選這裡檢視原文：）   在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。 程式設計師

看動畫輕鬆理解「 堆 」

堆(heap)又被為優先佇列(priority queue)。儘管名為優先佇列，但堆並不是佇列。 因為佇列中允許的操作是先進先出（FIFO），在隊尾插入元素，在隊頭取出元素。 而堆雖然在堆底插入元素，在堆頂取出元素，但是堆中元素的排列不是按照到來的先後順序，而是按照一定的優先順序

【動畫】看動畫輕鬆理解「Trie樹」

Trie樹 Trie這個名字取自“retrieval”，檢索，因為Trie可以只用一個字首便可以在一部字典中找到想要的單詞。 雖然發音與「Tree」一致，但為了將這種 字典樹 與 普通二叉樹 以示區別，程式設計師小吳一般讀「Trie」尾部會重讀一聲，可以理解為讀「TreeE」。 Trie 樹，也

看動畫輕鬆理解“遞迴”與“動態規劃”

作者 | 程式設計師小吳 來源 | 五分鐘學演算法 在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。 程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，

看動畫輕鬆理解時間複雜度（一）

原文連結：看動畫輕鬆理解時間複雜度（一） 演算法（Algorithm）是指用來操作資料、解決程式問題的一組方法。對於同一個問題，使用不同的演算法，也許最終得到的結果是一樣的，比如排序就有前面的十大經典排序和幾種奇葩排序，雖然結果相同，但在過程中消耗的資源和時間卻會有很大的區別，比如快速排序與猴子排

看動畫輕鬆理解時間複雜度（二）

    上篇文章講述了與複雜度有關的大 O 表示法和常見的時間複雜度量級，這篇文章來講講另外幾種複雜度： 遞迴演算法的時間複雜度（recursive algorithm time complexity），最好情況時間複雜度（best case time complexity）、最壞情況

java斐波那契數列（Fibonacci sequence）的三種方式：遞迴，備忘錄，動態規劃

java斐波那契數列（Fibonacci sequence）的三種方式：遞迴，備忘錄，動態規劃 1.最常使用的是遞迴，就是從上往下尋找答案，然後在返回來。 2.備忘錄也是從上往下，只是去掉了遞迴中重複計算的部分，因為它使用一個容器來裝已經計算出的值，這裡就多一個判斷，如果計算過該式子，就直接

遞迴結構中的動態規劃

表示式上的動態規劃 最優矩陣鏈乘 給出n個矩陣組成的序列，設計一種方法把它們依次乘起來，使得總的運算量儘量小。假設第i個矩陣Ai 是Pi-1 X Pi的。 用狀態f(i,j)表示i到j矩陣間的運算量，狀態轉移方程： f(i, j) = min { f(i, k) + f(

遞迴、分治和動態規劃的關係

內容會持續更新，有錯誤的地方歡迎指正，謝謝! 動態規劃 如果大問題分解為很多小問題後，小問題有互相重疊部分，則用遞迴的思路來分析問題，再用陣列儲存中間結果+迴圈的思路來寫程式碼！ 動態規劃的三個特徵 適用於最優解問題 有大量的重複子問題 子問題之間

讓我用個經典小例子給你捋一捋 遞迴——記憶化搜尋——動態規劃 三者之間的關係

0 1 2 3 5 其實下面三個方法都是自下而上，只不過用遞迴的話，如果用二叉樹畫出遞迴的結構圖就會發現，出現了很多重複運算，比如說fib(100)=fib(99)+fib(98)。 記憶化搜尋通過新增一個列表容器來記錄已經計算過的內容，這樣就避免了重複運算，提高了效率，但是很明顯有空間換時

《演算法筆記》12. 用暴力遞迴解法推匯出動態規劃

[TOC] # 1 暴力遞迴到動態規劃 > 本篇是演算法基礎筆記的最後一篇，前面所記錄的和該篇共同覆蓋了平時刷題常用的資料結構和演算法，之後就是通過刷題量來鞏固所學的內容。接下來我準備針對基礎資料結構和演算法做一些刷題記錄，主要是分類別刷leetcode上的題，傳送門為：https://github.

演算法一看就懂之「 遞迴 」

之前的文章咱們已經聊過了「 陣列和連結串列 」、「 堆疊 」和「 佇列 」，今天咱們來看看「 遞迴 」，當然「 遞迴 」並不是一種資料結構，它是很多演算法都使用的一種程式設計方法。它太普遍了，並且用它來解決問題非常的優雅，但它又不是那麼容易弄懂，所以我特意用一篇文章來介紹它。 一、「 遞迴 」是什麼？

看圖輕鬆理解資料結構與算法系列(Radix樹)

前言 推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。 Radix樹 Radix樹，即基數樹，也稱壓縮字首樹，是一種提供key-value儲存查詢的資料結構。與

看圖輕鬆理解桶排序

前言 推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。 桶排序 桶排序即Bucket Sort，也稱箱排序。其基本思想是將待排序陣列分配到若干個桶內，然後每個桶

看圖輕鬆理解最小(大)堆

前言 推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。 最小(大)堆 最小(大)堆是一顆完全二叉樹，該樹中的某個節點的值總是不大於(不小於)其左右子節點的值。可

看圖輕鬆理解資料結構與算法系列(希爾排序)

前言 推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。 希爾排序 希爾排序是希爾（Donald Shell）提出的一種

看圖輕鬆理解並查集

前言 推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。 並查集 並查集(Disjoint Set)是一種用於處理不相交集合的資料結構，顧名思義，通過它可以對集合

使用MyBatis輕鬆實現遞迴查詢與儲存過程呼叫

vhr部門管理模組更新啦！為了讓小夥伴們快速理解部門管理模組實現思路，我想通過3篇短文來給大家介紹下大致的實現思路和核心程式碼。 建議小夥伴們先閱讀前面的文章，會有助於你理解本文。 本文主要介紹部門管理功能的後臺程式，其實都是常規程式碼，

深入理解python遞迴函式：漢諾塔遊戲

def hanota(n,zhu1,zhu2,zhu3):     if n==1:         print (zhu1+' --> '+zhu3)     else:        hanota(n-1, zhu1, zhu3, zhu2)         pr