首页/文章/八股文

递归和尾递归是什么概念

2025-01-13
10184 分钟
...

关键词:递归和尾递归

递归和尾递归都是指在函数内部调用自身的方式,但它们有一些关键的区别。

概念

递归是一种函数调用自身的方式。在递归中,函数会不断地调用自身,直到满足某个终止条件才停止递归。递归通常使用在解决可以通过重复拆分为更小的子问题来解决的问题上。但是,递归可能会导致函数调用的层级过深,消耗大量的内存,因为每次递归调用都会在内存中创建一个新的函数调用帧。如果没有正确的终止条件,递归可能会导致无限循环。

尾递归是一种特殊的递归形式,在尾递归中,递归调用是函数的最后一个操作,并且递归调用的结果直接返回,没有进行任何额外的操作。因此,尾递归不会导致函数调用栈的增长,每次递归调用都会覆盖当前的函数帧。尾递归可以避免函数调用栈溢出的问题,因为它在递归调用时不会导致函数调用栈的增长。尾递归通常使用在需要迭代大量数据的情况下,可以有效地优化性能。

要注意,不是所有的递归都可以被优化为尾递归,只有当递归调用是函数的最后一个操作时,才可以进行尾递归优化。在一些编程语言中,编译器或解释器可以自动进行尾递归优化,将尾递归转换为迭代循环,从而提高性能。但在一些语言中,需要显示地使用尾递归优化的技巧,如使用尾递归函数的辅助参数来保存中间结果。

示例

下面是一个递归函数的例子,用于计算一个正整数的阶乘:

function factorial(n) {
  if (n === 0) { // 终止条件
    return 1;
  } else {
    return n * factorial(n - 1); // 递归调用
  }
}

console.log(factorial(5)); // 输出 120

现在,我们将对上述递归函数进行尾递归优化。在这个例子中,我们使用一个辅助参数result来保存每次递归调用的结果,并将其作为参数传递给下一次递归调用。这样,递归调用不会导致函数调用栈的增长。

function factorialTail(n, result = 1) {
  if (n === 0) { // 终止条件
    return result;
  } else {
    return factorialTail(n - 1, n * result); // 尾递归调用
  }
}

console.log(factorialTail(5)); // 输出 120

通过使用尾递归优化,我们可以避免函数调用栈的溢出,并提高函数的性能。

如何理解:只有当递归调用是函数的最后一个操作时,才可以进行尾递归优化

在一个函数中,如果递归调用之后还有其他的操作或表达式需要执行,那么这个递归调用就不是尾递归。在这种情况下,函数需要等待递归调用的返回值,然后才能进行下一步操作。

而尾递归是指在函数的最后一步操作中进行的递归调用。这意味着函数在调用自身之后没有其他操作或表达式需要执行,直接返回递归调用的结果。这种情况下,函数可以被优化为尾递归形式,避免函数调用栈的溢出和性能问题。

在尾递归优化的代码示例中,递归调用factorialTail(n - 1, n * result)是函数factorialTail的最后一步操作,它的返回值直接作为函数的返回值,没有其他操作需要执行。因此,这个递归调用是尾递归,可以进行尾递归优化。

如果您觉得这篇文章有帮助,请点个赞吧~

分享文章

相关文章

更多文章 →
八股文2026-08-27
定时器按顺序播放多个音频,切后台音频会乱
本身不会补触发,但 它会被系统级冻结 ——iOS Safari 后台完全停止计时,切回前台后 只补执行一次 (不是不补,而是"缺失的中间状态补不上")。间隔短的不会出大问题, 间隔长的会出现"音频流被压缩" ——切回来后本该播 5 分钟的间隙,实际只过了 3 分钟,结果整段对不上。 核心原则 :定时器只能用来"提醒一次", 真正决定"该不该播"的是绝对时间戳 。 setTimeout 在后台会发生什么(按平台) | 平台 | 后台行为...
面试
八股文2026-08-27
线上项目白屏的原因
白屏的本质是 渲染管线某一环断了 ——可能是资源、JS、接口、路由、样式、兼容性任一环节出问题。排查按"控制台 → 网络 → DOM → 环境"四步定位。 本质(前端类比) 把网页想成一栋楼: 白屏 ≠ 一定是同一种原因——这是面试想听的层次。 六大类原因(按出现频率) | 类别 | 典型表现 | 真实案例 | | : | : | : | | ① 资源加载失败 | DOM 是空的 | 入口 JS 404、CDN 挂了、CSS 阻塞 |...
面试
八股文2026-08-27
背景图就是 1MB 大图,怎么优化
1MB 大背景图优化分 三步 :压缩体积(10 30x)、按需加载(按设备/视口/网速)、渲染期优化(GPU 合成)。背景图跟 不同——它是 CSS,不走浏览器的原生懒加载机制,得手动处理。 背景图 vs 的关键区别(先讲清楚这个) 这是面试官想听的"针对性认知"——背景图不是普通图片,不能套通用方案。 三步优化(按优先级) 第 1 步:压缩体积(最重要,立竿见影) 1MB 的来源一般是这几种 ,对应解决方案: | 原始问题 | 体积来...
面试
八股文2026-08-27
项目里很多图片和视频,怎么优化
图片视频优化分 四层 :网络层(CDN/格式)、加载层(懒加载/预加载)、渲染层(解码/缓存)、业务层(按需/降级)。面试要把这四层都讲到位才算有体系。 四层优化模型 第 1 层:网络层(省钱、省时间) 核心目标:让资源体积小、让用户拿到资源快 | 手段 | 作用 | 关键点 | | : | : | : | | 图片格式 | WebP/AVIF 比 JPEG 小 25 50% | 兼容 fallback | | 视频格式 | H.265...
面试
八股文2026-08-20
Embedding 向量模型:从语义表示到相似度计算
前言 大模型「读懂」文字靠的是 token,但 token 之间只有离散的编号关系,模型并不知道「苹果」和「李子」在语义上很近。要让程序能「理解」两段文字的相似程度,必须先把文本映射成一个 高维向量 ,再用几何方法比较。这一步就是 Embedding。 本篇基于我本地 今天的真实代码,从语义表示讲到余弦相似度,并复盘几个踩过的真实坑。 一、为什么需要 Embedding 传统关键词检索是「字面匹配」: Embedding 做的是「语义匹...
面试
八股文2026-08-19
前端面试100题
前端面试 100 题 适用方向:中高级前端 / React / Vue / Next.js / Nuxt / TypeScript / 工程化 / 实时通信 / Electron / Node.js / AI 应用前端 使用方式:优先掌握“标准回答”,再练“面试官追问”,最后把“结合你的简历怎么答”组织成自己的项目故事。 说明 “结合你的简历怎么答”只使用你简历中已经出现的项目与技术事实。 “标准回答 / 追问”属于通用前端知识总结,用...
面试

评论

请登录后发表评论

去登录
加载评论中...