如何优化尾调用-js尾调用优化

前言

在这里关于递归，这里就不赘述了，有兴趣的可以去查一查资料。

需要了解如何优化尾递归的话，我们需要从最开始讲起。

什么是尾调用
什么是尾递归
如何优化尾递归

尾调用
从字面理解，自然而言就是在函数的尾部返回一个函数的调用，通常来说，指的是函数执行的最后一步。

举个例子👇

const fn = () => f1() || f2() 
// 这里的话, f2函数有可能是尾调用,f1不可能是尾调用

为什么f1函数不是呢，我们看这个函数的等价形式👇

const fn = function () { 
    const flag = f1() 
    if(flag) { 
        return flag 
    } else { 
        return f2() 
    } 
}

似乎写到这里，根据尾调用定义，我们就明白了，只有f2函数是在尾部调用。

说到这里，为什么要说尾调用呢?我们事先想一想传统的递归，典型的就是首先执行递归调用，然后根据这个递归的返回值并结算结果，那么传统的递归缺点有哪些呢👇

效率低，占内存。
如果递归链过长，可能会stack overflow

那么我们是不是可以做优化呢，这就可以涉及上面提到的尾调用，它的原理是啥呢👇

“按照阮一峰老师在es6的函数扩展中的解释就是：函数调用会在内存形成一个“调用记录”，又称“调用帧”（call frame），保存调用位置和内部变量等信息。如果在函数A的内部调用函数B，那么在A的调用帧上方，还会形成一个B的调用帧。等到B运行结束，将结果返回到A，B的调用帧才会消失。如果函数B内部还调用函数C，那就还有一个C的调用帧，以此类推。所有的调用帧，就形成一个“调用栈”（call stack）。
“这里的“调用帧”和“调用栈”，说的应该就是“执行环境”和“调用栈”。因为尾调用时函数的最后一部操作，所以不再需要保留外层的调用帧，而是直接取代外层的调用帧，所以可以起到一个优化的作用。
从上述的描述中，我们视乎可以理解成

它的原理类似于当编译器检测到一个函数调用是尾递归时，它会覆盖当前的活动记录而不是在函数栈中创建一个新的调用记录。
这样子，我们也可以理解成，不同的语言编译器或者是解释器做了尾递归优化，才让它不会爆栈。

既然是这样子的话，尾递归的优化，取决于浏览器，那具体有哪些主流浏览器支持呢👇

safari 和火狐，有兴趣的可以去了解一下，可以写个斐波那契数列数列验证一下。

手动优化
既然我们知道了，很多浏览器对于尾递归的优化支持的浏览器并不多，那你会好奇，当我们使用尾递归进行优化的时候，依然出现栈溢出的错误，那么我们如何解决呢？👇

我在网上看到一个不错的方案，采用的是蹦床函数👇

function trampoline(f) { 
  while (f && f instanceof Function) { 
    f = f(); 
  } 
  return f; 
}

那么如何使用呢👇

我们拿最常见的斐波那契数列来说吧

function fibonacci(n) { 
  if (n === 0) return 0 
  if (n === 1) return 1 
  return fibonacci(n - 1) + fibonacci(n - 2) 
}

根据上面的式子，我们可以将其写成迭代形式，用一个变量去缓存它的值👇

function fibonacci (n, ac1 = 0, ac2 = 1) { 
    return n <= 1 ? ac2 :fibonacci(n - 1, ac2, ac1 + ac2); 
}

其实试过的小伙伴，会发现，当你需要求的n足够大的时候，还是会报错，类似于下面的错误信息👇

// fibonacci(10000) 
Uncaught RangeError: Maximum call stack size exceeded

这个时候，那么我们如何去优化呢？难道真的没有办法可以解决了吗👇

这里得借鉴下别人的思路，我觉得挺不错的，这里就给出代码👇

function trampoline(f) { 
  while (f && f instanceof Function) { 
    f = f(); 
  } 
  return f; 
}

你可以把这个函数称之为蹦床函数, 这个函数的作用就是放回一个新的函数，我们将它们俩结合起来的话，栈溢出的问题似乎就可以解决了👇

// 可以试一试噢 
trampoline(fibonacci (10000))

这里的蹦床函数，我是参考别人的写法，似乎这样子写的话，不太行，我个人觉得这样子可以避免调用栈溢出，实际情况下，这样子是行不通的，哪里有行不通的，还望指出。

当然了，手动优化，可以将递归的过程改写成迭代的过程，就拿斐波那契数列这题来说，我们可以使用动态规划来完成👇，O（n）完成答案的更新。

// 伪代码 
F[i] = F[i-1] + F[i-2]

嗯，将一个尾递归函数转换成循环迭代函数，算是手动优化一种方式，在我们语言没有原生支持尾递归优化，那么可以考虑这种情况。

对于尾递归而言，我们需要了解优化它的原理，如果有必要的话，将递归的形式写成迭代的形式，通过迭代方式，降低重复值的计算，当然了，这个过程，有时候是比较难的，值得我们去思考。