用函数式的方式思考，通常以命令式的方式
作者：互联网
在我们初学函数的时候，函数通常被描述为能独立完成一个功能的单元，并且通常以命令式的方式出现：
function fact(n: number): number {
let result = 1;
for (let i = 0; i <= n; i += 1) {
result *= i;
}
return result;
}
代码是在操作数据，把一种形式的数据编程另一种形式。抽象的数据是一种数据，而显示在屏幕上的位图也是一种数据，当然必要的时候我们也可以把函数视作数据。我们可以得到一个数据到界面的映射关系，就像React提倡的那样：
Model -> View
或者用函数的形式
View = f(Model)
现在我们不讨论React，只讨论函数本身。我们可以把函数，特别是纯函数，看作是数据的映射关系的具体形式。
举个例子，根据幂的递推公式a[n] = a * a[n -1]，我们可以很容易得到一个求幂的函数：
function exp(a: number, n: number) {
return a * exp(a, n - 1);
}
这个函数很简洁，但是会招来担忧。首先它做了n次函数调用，会有大量函数调用的开销；其次，它还有爆栈的风险。
于是，我们回到递推公式上来。首先我们得到这样一个映射关系： a * a[n - 1] -> a[n] 那么显然，幂的实现应该是这样一个函数，其中prev就是a[n - 1]：
function expImpl(a: number, prev: number): number;
这里还缺少一个递归的终止条件，我们把它加上：
function expImpl(a: number, prev: number, i: number, n: number): number;
当然，实现也很简单：
function expImpl(a: number, prev: number, i: number, n: number): number {
if (i >= n) {
return prev;
}
return expImpl(a, a * prev, i + 1, n);
}
function exp(a: number, n: number) {
return expImpl(a, 1, 0, n);
}
我们还可以做一个简单的优化，去掉一个变量：
function expImpl(a: number, prev: number, i: number) {
if (i <= 0) {
return prev;
}
return expImpl(a, a * prev, i - 1);
}
function exp(a: number, n: number) {
return expImpl(a, 1, n);
}
这两个函数直接返回了另一个函数的执行结果，这种情形称为尾调用。而expImpl恰好是个递归函数，这就构成了一个尾递归。现代的编译器都足够聪明，能够将其优化成等价的循环形式：
function exp(a: number, n: number) {
let i = n;
let ret = 1;
while (i > 0) {
ret = ret * a;
i--;
}
return ret;
}
于是，我们的递归版本可以视作空间复杂度为O(1)时间复杂度为O(n)。可惜的是，现代浏览器中只有Safari实现了这种优化。 我们假定执行环境支持尾递归优化。根据数学上幂的定义，当n为偶数，我们有(a^(n / 2))^2 =(a ^ 2) ^ (n / 2)。根据这个等式，我们可以得到计算幂递归的对数时间版本（当然，以及它等价的循环版本）：
function fastExpImpl(a: number, prev: number, i: number) {
if (i <= 0) {
return prev;
}
if (i % 2 === 0) {
return expImpl(a * a, prev, i / 2);
}
// 这里还可以做个小优化 expImpl(a * a, a * prev, (i - 1) / 2);
return expImpl(a, a * prev, i - 1);
}
function fastExp(a: number, n: number) {
return expImpl(a, 1, n);
}
用映射的思维，我们来讨论下老朋友，斐波那契数列。初学递归都能写出这样一个简单的递归版本：
function fib(n: number): number {
if (n <= 2) {
return 1;
}
return fib(n - 1) + fib(n - 2);
}
显然，这不是一个优秀的实现。这里做了大量的重复计算，同时有爆栈的风险。 根据斐波那契数列的递推公式，我们可以得到这样一个关系：
a[n - 2] + a[n - 1] -> a[n]
因此这个函数应该是这样的，其中a代表a[n - 1]，b代表a[n - 2]：
function fibImpl(a: number, b: number): number;
这里还缺少递归的终止条件：
function fibImpl(a: number, b: number, i: number, n: number): number;
当然，和计算幂的时候一样，我们可以优化掉一个参数，于是得到了一个简单的空间复杂度为O(1)，时间复杂度为O(n)的递归版本：
function fibImpl(a: number, b: number, i: number): number {
if (i <= 1) {
return a;
}
return fibImpl(a + b, a, i - 1);
}
function fib(n: number): number {
return fibImpl(1, 0, n);
}
以及等价的循环版本：
function fib(n: number): number {
let a = 1;
let b = 0;
let i = n;
while (i > 1) {
a = a + b;
b = a;
i--;
}
return a;
}
在这个版本中，我们有这样一组变换规则：
a <- a + b
b <- a
我们称之为T变换。通过观察可以发现，从1和0开始将T反复应用n次将产生出一对数Fib(n+1)和Fib(n)。换句话说，斐波那契数可以通过将T(n)（变换T的n次方）应用于对偶(1, 0)而产生出来。现在将T看作是变换族T(p, q)中p = 0且q = 1的特殊情况，其中T(p, q)是对于对偶(a, b)按照a <- bq + aq + ap和b <- bp + aq规则的变换。请证明，如果我们应用变换T(p, q)两次，其效果等同于应用同样形式的一次变换T(p', q')，其中p'和q'可以由p和q计算出来。这样，就像fastExp一样，我们可以得到一个空间复杂度为O(1)，时间复杂度为O(log n)的斐波那契数列函数。这是《计算机程序的构造和解释》的练习1.19，你可以自行完成这个过程。
通过对老朋友斐波那契数列的思考，我们发现，通过函数式的方式思考可以有效的简化问题，从而得到一个简单的递归版本。当我们的执行环境不具备自动优化尾调用的时候，在必要的情况下，我们可以很容易的手动把它优化为一个等价的循环形式。这就是函数式思维带来的优势。
标签：function,函数,方式,number,递归,let,命令式,思考,prev 来源： https://www.cnblogs.com/wenuy/p/13257478.html