新闻详情

新闻详情

首页 / 资讯中心 / 详情

Java 递归之汉诺塔:搞懂为什么换个参数名字就能移动盘子

发布时间:2026/11/16 5:58:41来源:尧图网络
Java 递归之汉诺塔:搞懂为什么换个参数名字就能移动盘子
Java 递归 汉诺塔 新手学习今天上课学了汉诺塔递归一开始完全看不懂为什么调换一下参数名字代码就知道怎么移动盘子了。写下来记录一下我是怎么想明白的。汉诺塔问题三个柱子 A、B、C有 n 个盘子叠在 A 上要全部移到 C 上。规则每次只能动一个盘子大的不能放在小的上面。递归思路不要想着怎么一步步移动先想大问题怎么拆成小问题要把 n 个盘子从 A 移到 C分三步先把上面 n-1 个盘子从 A 移到 B借助 C把最底下最大的那个盘子从 A 直接移到 C再把 B 上的 n-1 个盘子从 B 移到 C借助 A而移动 n-1 个盘子的方法和移动 n 个盘子的方法是一模一样的只是起点、辅助、目标换了。这就是递归。代码public static void hanoi(int n, char pos1, char pos2, char pos3) { if (n 1) { move(pos1, pos3); return; } hanoi(n - 1, pos1, pos3, pos2); move(pos1, pos3); hanoi(n - 1, pos2, pos1, pos3); } public static void move(char pos1, char pos2) { System.out.println(pos1 - pos2); } public static void main(String[] args) { hanoi(3, A, B, C); }我一开始最困惑的问题为什么代码里没有真的去记录每个柱子上有几个盘子只是调换 pos1、pos2、pos3 这三个参数就知道怎么移动了后来想明白了三个物理柱子 A、B、C 是固定不变的。hanoi 方法的三个参数 pos1、pos2、pos3根本不是代表 A、B、C 这三个柱子本身而是代表三个角色pos1当前这个任务的起点pos2当前这个任务的辅助pos3当前这个任务的目标比如调用 hanoi (3, A, B, C) 起点是 A辅助是 B目标是 C。然后第一个递归调用 hanoi (n-1, pos1, pos3, pos2) 意思是现在要搬上面 n-1 个盘子这个子任务的起点还是 A但是辅助换成了 C目标换成了 B。A、B、C 这三个字母从来没变过只是在不同的子任务里它们扮演的角色不一样了。代码根本不需要知道每个柱子上现在有几个盘子它只需要按照规则把大任务拆成三个小步骤然后递归下去就行。n1 是什么意思n1 是递归的终点。当分到只剩 1 个盘子的时候不用再拆了直接把这个盘子从当前任务的起点 pos1移到当前任务的目标 pos3然后 return 结束这一层。这里的 pos1 和 pos3已经是经过层层调换后的角色了所以 move 打印出来的移动步骤就是正确的。单引号和双引号的问题一开始写 hanoi (3, A, B, C) 报错了因为方法参数定义的是 char 类型char 只能放单个字符必须用单引号 A。双引号是 String 字符串类型对不上。运行结果n3A-C A-B C-B A-C B-A B-C A-C一共 7 步正确。一点心得递归这个东西光看代码真的绕。我后来把 n3 的每一层调用都写在纸上一层一层列出来看哪些时候进 if哪些时候执行 move哪些时候 return才慢慢搞懂
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉