记忆化搜索：递归优化与动态规划实战

1. 记忆化搜索：从递归优化到实战应用

作为一名长期奋战在算法竞赛一线的选手，我深刻体会到递归算法在解决复杂问题时的优雅与无奈。递归虽然能直观表达问题逻辑，但性能瓶颈往往让人头疼。今天要分享的记忆化搜索技术，正是解决这一痛点的利器。

记忆化搜索（Memoization）本质上是一种"带备忘录的递归"，它通过保存已计算子问题的结果，避免重复计算。这种技术与动态规划有着千丝万缕的联系，但实现上更加直观自然。在解决树形DP、状态转移等问题时，记忆化搜索常常是我的首选方案。

1.1 为什么需要记忆化？

让我们从一个简单例子开始理解。假设我们要计算斐波那契数列的第n项，最直观的递归实现是这样的：

cpp复制int fib(int n) {
    if (n <= 2) return 1;
    return fib(n-1) + fib(n-2);
}

这个实现虽然简洁，但存在严重的效率问题。计算fib(5)时，fib(3)会被计算2次；计算fib(6)时，fib(4)会被计算3次，fib(3)会被计算5次...时间复杂度呈指数级增长（O(2^n)）。

记忆化搜索的核心价值就在于：相同的输入必然产生相同的输出。既然fib(100)的值是固定的，为什么每次调用都要重新计算呢？这就是我们需要"记住"已计算结果的根本原因。

1.2 记忆化与动态规划的关系

很多初学者容易混淆记忆化搜索和动态规划(DP)。它们确实有相似之处：

• 都利用了子问题重叠特性
• 都能避免重复计算
• 都可以优化递归算法的时间复杂度

但区别也很明显：

在实际应用中，我通常这样选择：当状态转移关系复杂、难以确定计算顺序时，先用记忆化搜索；当问题结构清晰、可以明确递推顺序时，直接用动态规划。

2. 记忆化搜索的实现要点

2.1 基本实现框架

一个标准的记忆化搜索实现包含三个关键部分：

1. *状态定义