刷题故事：递归与动态规划的成长历程 在豆包MarsCode的AI刷题工具中，有一道让我印象深刻的算法题，涉及到经典的递归和动态规划问题——斐波那契数列的求解。这道题看似简单，但在不同的解法下，我逐渐深入了解了递归与动态规划之间的差异，也收获了算法思维的成长。
起初，我尝试使用最朴素的递归方法来实现斐波那契数列的求解，代码写起来非常简单。然而，当我输入较大数值时，程序的运行时间却非常长，这让我意识到递归的效率问题。在这个过程中，AI工具的反馈给了我很大帮助。它指出了递归中存在的大量重复计算，比如在求fib(n)时会反复计算fib(n-1)和fib(n-2)，导致时间复杂度呈指数级增长。
为了优化递归的效率，AI工具引导我学习了记忆化递归的技巧。通过在递归中添加缓存，我大幅减少了重复计算的次数，明显提高了程序的运行速度。这次优化让我对递归的时间复杂度有了更深刻的认识，也逐渐理解了如何通过空间换取时间来提高算法的效率。
接着，AI工具推荐我进一步使用动态规划来解决这个问题。我学会了通过自底向上的方式构建斐波那契数列，即利用一个数组从fib(0)和fib(1)开始，逐步推算出更高的值。这种方法不仅避免了递归的栈溢出风险，还将时间复杂度降低到了线性级别。通过这个过程，我彻底理解了动态规划的思想，即将问题拆解为子问题并存储中间结果，从而避免重复计算。
整个刷题的过程让我深刻体会到，算法的优化并不仅仅是代码的改进，更是思维方式的转变。从最初简单的递归实现，到使用记忆化递归，再到动态规划的彻底优化，这一路的学习让我逐步积累了算法优化的经验，也培养了更加严谨的编程思维。
通过这道题目的多次优化，我不仅掌握了斐波那契数列的多种解法，更重要的是学会了如何思考一个问题的不同解法，以及如何在效率和简洁之间找到平衡。这种成长的体验让我更加坚定了继续深入学习算法的信心，也让我看到了AI工具在学习过程中的巨大帮助。
