目录
递归解法
🔹第一步：定义本质问题
🔹第二步：分解问题结构
🔹第三步：定义初始条件
🔹第四步：递归思想的自然生成
循环解法
🔹第 1 步：定义问题最小操作单位
🔹第 2 步：识别模式：操作在变化，但结构不变
🔹第 3 步：构造“自我控制的重复流程”
公式解法
复杂度对比分析
我们希望计算：
S(n)=1+2+3+⋯+n
我们运用第一性原理，从最基本的思考出发。
递归解法
🔹第一步：定义本质问题
我们的问题是：如何求“前 n 个自然数”的总和？
这是一个数学过程，它可以表示为：
S(n) = 1 + 2 + 3 + ⋯ + n
我们意识到这个总和的结果，和它前一项的总和非常接近。
例如：
-
S(3) = 1+ 2 + 3 =6
-
S(2) = 1 + 2 = 3
-
差值：3（恰好是第3项）
观察：
S(n) = S(n−1) + n
我们还没用“递归”这个词，但我们已经观察到了：
✅ 当前问题的解，等于一个更小规模的问题的解 + 当前项
🔹第二步：分解问题结构
我们从基本操作开始模拟：
-
S(1)=1（这是我们唯一能确定的“基础真理”）
-
S(2)=S(1)+2=1+2=3
-
S(3)=S(2)+3=3+3=6
-
S(4)=S(3)+4=6+4=10
于是我们归纳出结构性关系：
S(n)=S(n−1)+n
这时候，我们不是为了“递归编程”而发现这个关系，而是：
🔍我们通过“问题拆解”自然得出了一个问题依赖于更小版本的问题的解决结果的事实。
🔹第三步：定义初始条件
任何这种“问题拆解”机制，都需要一个，否则会无限拆解。
从实际观察：
S(1)=1→ 唯一直接能算出的总和
我们就可以从这里出发，逐步构建更大的答案。
🔹第四步：递归思想的自然生成
通过以上分析，我们从第一性原理推导出了：
-
问题的结构性：每个总和是前一个总和加当前项；
-
最基本的事实：我们只知道 S(1)=1
-
由小推大的模式出现了，这就是递归的本质：
#include <iostream>int sumOfNumbers(int n)
{if (n == 0)return 0;elsereturn sumOfNumbers(n - 1) + n;
}
循环解法
🔹第 1 步：定义问题最小操作单位
最原始的求和操作，我们只能用 一个一个加起来 的方式。
例如：要计算 S(3)，你只能写：
int s = 0;
s = s + 1;
s = s + 2;
s = s + 3;
你会发现这段代码“重复”了完全相同的结构：
s = s + X;
只是每次 X 变了。
🔹第 2 步：识别模式：操作在变化，但结构不变
❗我们观察到：“结构一致，数值递增”的模式：
-
起始值从 1 到 n；
-
每次执行的指令是类似的；
-
只是某个变量（这里是 X）在以固定规律变化。
从第一性角度我们意识到：
✅ 为了避免重复写代码，我们应该“将重复的操作抽象为一个流程”，并让某些部分变化。
🔹第 3 步：构造“自我控制的重复流程”
我们定义：
-
一个当前项
i：表示我们正处理第几个数； -
一个结束条件：当我们加到
n时，停止； -
一个变化规则：每次
i = i + 1。
于是我们就得到：
int s = 0;
int i = 1; // 初始状态while (i <= n) {s = s + i;i = i + 1; // 状态变化
}
从第一性原理看，“循环”之所以产生，是因为：
-
我们面对的问题具有重复性（相同操作、不同值）；
-
人为复制是不经济、脆弱的（写死
s = s + 1 + 2 + ...会爆炸）； -
我们想用一个“变化控制机制”让重复自动发生；
-
这就产生了循环语义：自动控制的重复结构。
公式解法
int sumOfNumbers(int n)
{return n * (n + 1) / 2;
}复杂度对比分析
| 方法 | 时间复杂度 | 空间复杂度 | 原因解释 |
|---|---|---|---|
| ✅递归 | O(n) | O(n) | 每次递归都需要函数调用栈，每次计算加法，总共调用 nn 次 |
| ✅循环 | O(n) | O(1) | 只需一个累加器和一个循环变量，占用常数空间 |
| ✅公式 | O(1) | O(1) | 只做一次乘法和一次除法，且不使用任何额外空间 |
⚠️注意事项
-
公式法虽然最快，但若
n非常大（如2^31 - 1），n*(n+1)可能会产生整数溢出。可使用long long类型或进行乘法前除法优化。 -
递归法在 C++ 中若没有尾递归优化，容易栈溢出；在 Python 中栈深限制也较低。
-
循环法更通用、安全、稳定，适用于大多数工程需求。
