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)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)p = 0q = 1的特殊情况,其中T(p, q)是对于对偶(a, b)按照a <- bq + aq + apb <- 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'q'可以由pq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。

欢迎关注我们的公众号