作为前端开发者，我们经常会遇到各种算法问题，特别是在面试中。今天我想和大家聊聊一个经典问题——斐波那契数列的多种实现方式，以及它们背后体现的编程思想和优化策略。
问题的起点：最朴素的递归实现
让我们先看看最直观的递归实现：
function fib(n){
if(n<= 1) return n;
return fib(n-1) + fib (n-2);
}
console.log(fib(10))
这个实现非常直观，完美地体现了斐波那契数列的数学定义。但是，如果你试着运行 fib(40) 或者更大的数，你会发现程序变得异常缓慢。为什么？
问题分析：指数级的时间复杂度
当我们画出递归调用的树形结构时，问题就一目了然了。计算 fib(5) 时，fib(3) 会被计算两次，fib(2) 会被计算三次，fib(1) 会被计算五次。这种重复计算导致时间复杂度达到了 O(2^n)，完全不可接受。
另外，每次函数调用都会在调用栈中创建新的执行上下文，包括作用域、变量环境、词法环境等，大量的递归调用很容易导致栈溢出。
第一次优化：闭包 + 记忆化
作为前端开发者，我们对闭包应该不陌生。让我们用闭包来优化这个问题：
function memoizedFib(){
// 闭包：函数嵌套函数
// 自由变量
const cache = {};
return function fib(n){
if(n<= 1) return n;
if(cache[n]) return cache[n];
cache[n] = fib(n-1) + fib(n-2);
return cache[n]
}
}
const fib = memoizedFib();
console.log(fib(100));
这里用到了闭包的核心特性：
- 函数嵌套函数：外层函数
memoizedFib包含内层函数fib - 自由变量：
cache对象作为自由变量，在内层函数中被引用 - 持久化状态：即使外层函数执行完毕，
cache依然存在于内层函数的作用域链中
通过记忆化，我们将时间复杂度从 O(2^n) 优化到了 O(n)，这是一个质的飞跃。
第二次优化：全局缓存
有时候我们也可以用更简单的全局缓存方式：
const f = [];
const climbStairs = function(n){
if(n == 1) return 1
if(n == 2) return 2
if (f[n] == undefined) f[n] = climbStairs(n-1) + climbStairs(n-2);
return f[n]
}
这种方式虽然简单，但破坏了函数的纯净性，在实际项目中要谨慎使用。
终极优化：动态规划（自底向上）
前面的方法都是"自顶向下"的思考方式，现在让我们换个角度，用"自底向上"的动态规划：
const climbStairs = function(n){
// dp 数组
const dp = [];
dp[1]= 1;
dp[2]= 2;
for (let i = 3 ; i <=n;i++){
// 重叠子问题
// 每一步都拿到结果，最优子结构
dp[i] = dp[i-1] + dp[i-2]// 状态转移方程
}
return dp[n];
}
动态规划的核心思想包括：
- 重叠子问题：问题可以分解为相似的子问题
- 最优子结构：问题的最优解包含子问题的最优解
- 状态转移方程：
dp[i] = dp[i-1] + dp[i-2]
这种方法的优势是：
- 时间复杂度：O(n)
- 空间复杂度：O(n)
- 不会有栈溢出的风险
- 逻辑清晰，易于理解
面试官的考察点
通过这个问题，面试官主要想考察你的：
- 算法基础：能否写出基本的递归实现
- 问题分析能力：能否发现性能问题并分析原因
- 优化思维：是否了解记忆化、动态规划等优化手段
- JavaScript 深度：对闭包、作用域链的理解
- 工程思维：在实际项目中如何选择合适的方案
实际应用场景
在前端开发中，这些优化思想有很多应用场景：
- 组件渲染优化：React 的
useMemo、useCallback就是记忆化的应用 - API 请求缓存：避免重复请求相同的数据
- 计算密集型任务：如图表数据处理、复杂表单验证等
- 路由计算：在复杂的单页应用中优化路由匹配
总结
从简单的递归到闭包优化，再到动态规划，我们看到了算法优化的完整过程。作为前端开发者，我们不仅要会写代码，更要理解代码背后的原理，这样才能在面对复杂问题时游刃有余。
记住，好的代码不仅要功能正确，还要性能优秀、逻辑清晰。在日常开发中，多思考、多优化，你的代码质量会有质的提升。
最后，建议大家在学习算法时，不要只停留在"能跑"的层面，要深入思考为什么这样优化，这样才能真正提升自己的编程内功。
