我对有关通用时空权衡的已发布结果的早期历史很感兴趣。特别是，我想知道谁首先描述了以下类型的算法，该算法使用与数据流图的深度（而非宽度）成正比的空间（加上大小）来评估具有任意度为O（1）的任意数据流图的计算通过对图形进行直接的深度优先评估来实现。更详细地：
令数据流图为G =（V，E），其中V是计算顶点的集合（O（1）大小的数据值），E是边的集合（v_p，v_s），使得后继值顶点v_s \ in V立即取决于先前顶点v_p \ in V的值。令v_f为顶点，没有后继代表计算的最终结果。令我成为输入顶点的规范排序集合（无前任），因为i \ in I给出了x（i）的值。对于其他顶点v \ in S，其值由x（v）= F_v（x（P（v）））定义，其中P（v）是v的前任的规范排序列表，x（P（v））为它们的值的对应列表，F_v是顶点函数，该函数根据其前任值列表确定其值。
有了这种设置，所讨论的算法就非常明显且微不足道：
def eval(v): (v can be any vertex in the graph)
let P := P(v), the list of v's predecessors (has O(1) elements by assumption)
let val[] := uninitialized array of |P| data values
for each predecessor p[i] in P (i.e. for i from 1 to |P|):
if p[i] is in I then
val[i] = x(p) (look up a given input)
else
val[i] = eval(p[i]) (recursive call)
return F_v(val[]) (apply vertex's function to list of predecessor values)
这需要递归的O（d）级别，其中d是数据流图的深度，并且由于假设数据流图的入度是恒定的，并且d的大小，每个级别的堆栈空间是恒定的数据值是恒定的。（为简单起见，即使顶点引用的大小实际上是| V |的对数，我也将顶点引用的大小也视为常量。）因此，总空间使用量为O（d + | I |）。数据流图的最大宽度可以成倍地大于此宽度，因此，在最好的情况下，与贪婪地对图进行评估相比（与每个图的贪婪评估相比），该技术可以节省大量空间。步骤，评估所有直接依赖于其值已知的顶点的所有顶点，
无论如何，至少在回想起来，这是一项相当明显的技术，并且它早已为人所知，但是我想知道有关它的文献的发展趋势。任何人都知道这种结果的早期历史（无论是用这些术语描述的，还是其他类似的描述），那么深入研究该主题的最佳参考是什么？
非常感谢-Mike Frank