目录
🔍 若用递归计算每一项，会发生什么？
Horner's Rule（霍纳法则）
第一步：我们从最原始的泰勒公式出发
第二步：从形式上重新观察展开式
🌟 第三步：引出霍纳法则（Horner’s Rule）
第四步：如何用这个结构重写泰勒展开式？
完整代码
从迭代转换成递归逻辑
“迭代”和“循环”
当前递归方法的结构回顾：
double num = 1, den = 1;double taylor(int n, double x) {if (n == 0) return 1;double res = taylor(n - 1, x); // 一次函数调用num *= x; // 分子：一次乘法den *= n; // 分母：一次乘法return res + num / den;
}
这一版已经做了初步优化：我们通过 累计 num 和 den 来避免重复调用 pow(x,n) 和 factorial(n)。
但这只是相对优化，我们现在要分析：
🔍 若用递归计算每一项，会发生什么？
我们从第 0 项到第 n 项共计算 n+1项，每一项的乘法成本如下：
| 第 k 项 | 乘法次数 |
|---|---|
| k = 0 | 0 |
| k = 1 | 1 |
| k = 2 | 2 |
| ... | ... |
| k = n | n |
所以总乘法次数为：
✅ 因此，乘法总次数为 O(n^2）！
🚨 问题在哪里？
-
你对每一项都重新计算幂和阶乘
-
导致重复计算，浪费大量 CPU 时间
-
如果你希望
n = 50、n = 100，程序变慢得很明显
🤔 有没有更好的方式？
是的。你就引出了今天的主角：
Horner's Rule（霍纳法则）
我们可以尝试换一种展开方式，让我们不必每次都分别去计算幂和阶乘。
我们将展开式进行重写：
也就是一种嵌套式计算结构。
这个就是 Horner 法则的思路 —— 逐层乘进去、逐层加出来，避免重复乘法和幂展开。
第一步：我们从最原始的泰勒公式出发
以 e^x 为例，泰勒展开是：
这表达得很清晰，每一项结构都类似：
-
分子是 x^k
-
分母是 k！
所以直觉上，我们就写了：
double num = 1; // 分子
double den = 1; // 分母double taylor(int n, double x) {if (n == 0) return 1; // 1️⃣ 锚点：停止递归double res = taylor(n - 1, x); // 2️⃣ 先构造前面所有项的和num *= x; // 3️⃣ 然后再更新状态den *= n;return res + num / den; // 4️⃣ 当前项加进去
}递归方法的思路解析，可以看我之前发表的文章：
数据结构：递归：泰勒展开式（Taylor Series Expansion）-CSDN博客
但是整个算法需要 O(n^2) 次的乘法。
于是我们问自己：
❓有没有一种办法，我们不显式地计算幂和阶乘，而是用一种更聪明的方式重写它？
第二步：从形式上重新观察展开式
我们把：
我们尝试反向收敛：
从最后一项往前看。
设：
假设我们已知最后一项是：
我们问：有没有可能构造出一个结构：
我们知道这种结构是逐层“乘进去再加”，是一种“嵌套结构”。
这时候，你会自然联想到：
🌟 第三步：引出霍纳法则（Horner’s Rule）
Horner's Rule 是一种重写多项式的方式，使其变成嵌套乘加结构，从而节省乘法次数。
给你一个多项式：
它可以等价重写成：
第一步：从最后一项开始反向思考
先写出最后一项：
但我们不这么直接展开，而是尝试合并每一项，构建嵌套结构。我们回顾一下：
第二步：尝试因式提取，构造嵌套结构
我们从最后一项往回包，先只保留最后一项：
向前一项加：
再加：
最后加 1 项：
第三步：得出结论（形式）
最终你得到的就是：
这就是 Horner 法则在泰勒展开中的精确结构！
第四步：如何用这个结构重写泰勒展开式？
霍纳法则告诉我们：
如果你有一个嵌套表达式，它从最深处开始乘加，就可以从最后一项反向累积计算。
我们的目标是以某种结构计算它，让乘法次数最少。
观察这个嵌套结构你会发现：
-
每一层都包含一个 “1 + x / k * (之前的结果)”
-
最里面的是
1 -
然后不断被
x/k包裹
它是一个“逐层包裹”的结构，每一层是：
这说明我们可以从“最深的那一层”开始往外展开。
于是你意识到这就是一种“右折叠（right fold）”，即：
result = 1;
result = 1 + x * result / 4;
result = 1 + x * result / 3;
result = 1 + x * result / 2;
result = 1 + x * result / 1;
从后往前包，每次乘进去一个 x / i，再加 1。
所谓「右折叠」就是我们从表达式的最右边开始构建，逐层包起来。
1 + x/4 ← 第 1 层（最里面）
1 + x/3 * (1 + x/4) ← 第 2 层
1 + x/2 * (...) ← 第 3 层
1 + x/1 * (...) ← 第 4 层
你看到一种非常明显的重复：
每次的操作是：
result = 1 + x * result / i;
从哪个 i 开始？
-
最深一层是对应最大项 n
-
然后是 n - 1
-
最后是 i = 1
所以你会写一个反向的循环：
for (int i = n; i > 0; --i)
初始值设置为：
double result = 1.0; // 最里层的恒定值
为什么是 1.0？
因为你可以认为最内层就是 1 + 0，也就是我们从最后一项 x^n / n! 折叠得到的值是最深的那个 1，逐层向外构建。
完整代码
double horner_taylor(int n, double x) {double result = 1.0; // 最深嵌套项for (; n > 0; n--) { // 从内往外迭代result = 1 + x * result / n; // 每次构造一层}return result;
}
从迭代转换成递归逻辑
递归的本质是：
用一个函数在每一层调用自己，把循环变成函数调用链。
从上面的迭代式：
你可以直接转换成递归表达式：
double horner_recursive(int n, double x) {static double result = 1.0;if (n == 0) return result; // 最深嵌套项（base case）result = 1 + x / n * result; return horner_recursive(n - 1, x);
}
| 循环版结构 | 递归版结构 |
|---|---|
| 从 n 逐步降到 1 | 从 n 递归到 0（递归终止条件） |
每次更新 result = ... | 每次返回 1 + x * 下层 / n |
初始 result = 1.0 | horner_recursive(0, x) = 1.0 |
两者实际上是完全等价的计算结构。
“迭代”和“循环”
什么是“循环”（loop）？
-
循环是语法结构
-
是编程语言提供的控制流语句（
for、while、do-while） -
它的作用是：重复执行某段代码
比如：
for (int i = 0; i < 10; ++i) {// 执行 10 次
}
什么是“迭代”（iteration）？
-
迭代是算法行为
-
意思是：基于前一个结果，不断构造下一个结果
-
它不依赖一定要用循环语法，也可以用递归实现！
举例说明：
✅ 迭代行为 + 循环实现
double result = 1;
for (int i = n; i > 0; --i)result = 1 + x * result / i;
-
每一轮基于上一轮的
result -
所以这是一个迭代算法
-
同时用了
for，所以也是一个循环结构
✅ 迭代行为 + 递归实现
double horner_recursive(int n, double x) {static double result = 1.0;if (n == 0) return result; // 最深嵌套项（base case）result = 1 + x / n * result; return horner_recursive(n - 1, x);
}
-
每一层基于“下一层”的结果
-
所以也是一种迭代算法
-
但这次用的是递归结构
🚫 循环 ≠ 迭代（反例）
for (int i = 0; i < 10; ++i) {cout << "Hello\n";
}
-
这使用了循环，但没有迭代行为（没有前后状态依赖）
-
所以它是循环，但不是迭代
-实例与实现解释)
