我正在编写一个脚本,它从companies
获取元素,并将它们与people
的元素配对。目标是优化配对,使所有对值之和最大化(每个对的值被预先计算并存储在字典ctrPairs
)中)。在
他们都是1:1配对,每个公司只有一个人,每个人只属于一个公司,公司的数量等于人数。我使用自顶向下的方法和一个记忆表(memDict
)来避免重新计算已经解决的区域。在
我相信我可以极大地提高这里发生的事情的速度,但我不确定如何提高速度。我担心的区域用#slow?
标记,任何建议都将不胜感激(该脚本适用于列表n<;15的输入,但对于n>;~15,它变得异常缓慢)
def getMaxCTR(companies, people):
if(memDict.has_key((companies,people))):
return memDict[(companies,people)] #here's where we return the memoized version if it exists
if(not len(companies) or not len(people)):
return 0
maxCTR = None
remainingCompanies = companies[1:len(companies)] #slow?
for p in people:
remainingPeople = list(people) #slow?
remainingPeople.remove(p) #slow?
ctr = ctrPairs[(companies[0],p)] + getMaxCTR(remainingCompanies,tuple(remainingPeople)) #recurse
if(ctr > maxCTR):
maxCTR = ctr
memDict[(companies,people)] = maxCTR
return maxCTR
我在这里看到两个问题:
效率:为每个公司重新创建相同的
remainingPeople
子列表。最好创建所有remainingPeople
和所有remainingCompanies
,然后进行所有组合。memoization:您使用元组而不是列表来使用它们作为}s来实现这个目的:
dict
键进行记忆;但是元组标识是顺序敏感的。注意:(1,2) != (2,1)
你最好使用set
s和{frozenset((1,2)) == frozenset((2,1))
对于那些对学习理论的应用感到疑惑的人来说,这个问题是一个很好的例证。正确的问题不是关于“在python中在列表和元组之间快速跳转的方法”——慢的原因是更深层次的。在
你要解决的是assignment problem:给定两个列表,每个元素有n个元素,n×n个值(每对的值),如何分配它们,使总“值”最大化(或等效地最小化)。有几种算法可以解决这个问题,比如Hungarian algorithm(Python implementation),或者您可以使用更通用的最小成本流算法来解决它,或者甚至将其转换为线性规划并使用LP解算器。其中大多数的运行时间为O(n3)。在
上面的算法所做的就是尝试各种可能的配对方式。(记忆只会帮助避免重新计算对子集的答案,但您仍然会查看所有对子集的答案。)这种方法至少是Ω(n222n)。当n=16时,n3为4096,n222n为109951162776。当然,每种算法都有常数因子,但是看到区别了吗?:—)(问题中的方法仍然比天真的O(n!)使用O(n^3)算法中的一个,我预测它应该运行到n=10000左右,而不是n=15。在
正如Knuth所说,“过早的优化是万恶之源”,但是延迟/过期优化也是如此:在实现之前,你应该首先仔细考虑一个合适的算法,而不是挑一个不好的,然后再去想它的哪些部分速度慢。:—)即使在Python中糟糕地实现一个好的算法,也比解决所有“慢”问题快上几个数量级上面代码的一部分(例如,用C重写)。在
这条线:
remainingCompanies=公司[1:len(公司)]
可替换为以下行:
为了一个非常轻微的速度增加。这是我看到的唯一进步。在
相关问题 更多 >
编程相关推荐