【AI辅助研发】-开端：未来的编程范式

最新推荐文章于 2024-11-01 15:35:41 发布

前鼻音太阳熊

最新推荐文章于 2024-11-01 15:35:41 发布

阅读量935

点赞数 29

文章标签： AI编程

本文链接：https://blog.csdn.net/baidu_25347287/article/details/136607427

版权

编程的四种范式

面向机器编程范式

面向机器编程范式是最原始的编程方式，它直接针对计算机硬件进行操作。程序员需要了解计算机的内部结构、指令集和内存管理等细节。在这种范式下，编程的主要目标是编写能够直接控制计算机硬件运行的机器代码。面向机器编程范式通常使用汇编语言进行编程，它要求程序员对计算机硬件有深入的了解。然而，由于这种编程方式的高度底层性，代码的可读性和可维护性通常较差，且移植性也较低。
第一台计算机

面向过程编程范式

面向过程编程范式是一种以过程为中心的编程方式。它将问题分解为一系列独立的过程或函数，并通过调用这些过程来实现程序的功能。每个过程都负责完成特定的任务，并可以通过参数传递数据。面向过程编程范式注重代码的模块化和可重用性，使得程序结构更加清晰和易于维护。常见的面向过程编程语言有C语言等。然而，随着软件规模的扩大和复杂性的增加，面向过程编程范式在处理复杂问题时可能会变得繁琐和难以管理。
面向过程-C语言

面向对象编程范式

面向对象编程范式是一种更加高级的编程方式。它将现实世界中的事物抽象为对象，并通过类和对象的概念来描述和组织程序。每个对象都具有自己的属性和方法，可以与其他对象进行交互。面向对象编程范式强调封装、继承和多态等特性，使得代码更加灵活、可扩展和易于维护。常见的面向对象编程语言有Java、C++和Python等。面向对象编程范式在处理复杂问题时具有更高的抽象能力和组织能力，能够提高软件开发的效率和质量。
在这里插入图片描述

面向问题编程范式

面向问题编程范式是一种更加注重解决特定领域问题的编程方式。它根据问题的特性和需求来设计和实现编程模型，旨在提供更加直观和高效的解决方案。面向问题编程范式通常涉及特定领域的知识库、推理机制和问题求解策略等。例如，在人工智能领域，面向问题编程范式可以通过构建知识图谱、使用机器学习算法等方式来解决复杂的推理和决策问题。面向问题编程范式能够针对特定问题提供定制化的解决方案，提高问题求解的效率和准确性。

四种范式的对比

四种编程范式形成的一张对比表格：

编程范式	面向机器	面向过程	面向对象	面向问题
核心概念	直接操作硬件	通过过程/函数实现功能	通过类和对象组织程序	针对特定领域问题设计模型
关注点	计算机硬件细节	程序的流程控制	对象和类的交互	问题特性和需求
代码组织	紧密与硬件相关	模块化和过程调用	对象和类的层次结构	特定领域的结构和逻辑
优点	直接控制硬件	结构清晰，易于维护	代码灵活、可扩展	针对问题提供定制化解决方案
缺点	可读性和可维护性差	处理复杂问题时可能繁琐	学习曲线较陡峭	可能受限于特定领域知识
适用场景	底层系统编程、嵌入式系统	脚本编写、简单任务	大型复杂系统、软件应用	特定领域问题求解、人工智能等
典型语言	汇编语言	C语言	Java、C++、Python	特定领域的专用语言或框架

这四种编程范式各有其特点和适用场景。在实际应用中，可以根据问题的特性和需求选择合适的编程范式来进行软件开发。同时，随着技术的不断发展和创新，新的编程范式也在不断涌现，为软件开发提供了更多的选择和可能性。

未来的编程范式

比较上面几个范式的例子，其实也代表了编程语言发展的几个阶段，和笔者在【Node.js】-闲聊：前端框架发展史中介绍的前端框架发展的几个阶段十分相似，其实编程范式是随着语言不断发展的。
那未来的编程范式是什么样子呢？笔者认为是广义的“面向问题编程”。

广义面向问题编程范式

狭义的面向问题编程范式，已经做过介绍。广义的是什么？

广义面向问题编程：直接面向人类语义提出的问题，由计算机系统给出问题的答案的编程方式

其实我们已经见到了雏形，ChatGPT。

在这里插入图片描述

用人类说话的方式，让计算机出一个快速排序算法

快速排序是一种高效的排序算法，其基本思想是采用分治法。通过选择一个“基准”（pivot）元素，将待排序序列分割成两部分，其中一部分的所有元素都比基准元素小，另一部分的所有元素都比基准元素大，然后再对这两部分分别进行快速排序，以达到整个序列有序。

提问一：

给我一个对10万个数进行快速排序的算法

ChatGPT 回答：

def quicksort(arr):
    if len(arr) <= 1:
        return arr
    else:
        pivot = arr[0]
        less = [x for x in arr[1:] if x <= pivot]
        greater = [x for x in arr[1:] if x > pivot]
        return quicksort(less) + [pivot] + quicksort(greater)

# 生成10万个随机数进行排序
import random
random_nums = [random.randint(0, 1000000) for _ in range(100000)]

sorted_nums = quicksort(random_nums)

# 打印排序后的前10个数和后10个数，以验证排序结果
print(sorted_nums[:10])
print(sorted_nums[-10:])

这个示例中，quicksort函数是快速排序的主要实现。它首先检查数组的长度，如果长度小于或等于1，则直接返回数组（因为长度为1的数组已经是有序的）。否则，它选择数组的第一个元素作为基准，然后将数组中其余的元素分为两部分：小于或等于基准的元素和大于基准的元素。最后，它递归地对这两部分进行快速排序，并将结果合并起来，其中基准元素位于中间。

注意：这个示例中的快速排序实现并不是最优的，特别是在处理大数据集时。在实际应用中，通常会使用“原地”（in-place）版本的快速排序，它直接在输入数组上进行操作，而不需要额外的空间来存储中间结果。此外，还会使用“随机化”版本的快速排序，以减少最坏情况发生的可能性。这些优化可以显著提高快速排序的性能。

提问二：让ChatGPT优化

优化上面的代码，增加“原地”和“随机化”

ChatGPT回答：

为了优化上面的代码并使其“原地”且“随机化”，我们可以采用以下策略：

原地操作：不使用额外的列表来存储小于和大于基准的元素，而是直接在原数组上进行交换操作。
随机化基准选择：从数组中随机选择一个元素作为基准，而不是总是选择第一个元素。这有助于减少算法在最坏情况下的性能。

以下是优化后的快速排序算法：

import random

def partition(arr, low, high):
    # 随机选择一个基准
    pivot_index = random.randint(low, high)
    arr[pivot_index], arr[high] = arr[high], arr[pivot_index]  # 将基准移到末尾
    pivot = arr[high]
    i = low - 1  # 指向小于基准的元素的最后一个位置
    for j in range(low, high):
        if arr[j] <= pivot:
            i += 1
            arr[i], arr[j] = arr[j], arr[i]  # 交换元素
    arr[i + 1], arr[high] = arr[high], arr[i + 1]  # 将基准移到正确的位置
    return i + 1

def quicksort(arr, low, high):
    if low < high:
        pi = partition(arr, low, high)
        quicksort(arr, low, pi - 1)
        quicksort(arr, pi + 1, high)

# 生成10万个随机数进行排序
random_nums = [random.randint(0, 1000000) for _ in range(100000)]

# 调用快速排序函数，从数组的第一个元素到最后一个元素进行排序
quicksort(random_nums, 0, len(random_nums) - 1)

# 打印排序后的前10个数和后10个数，以验证排序结果
print(random_nums[:10])
print(random_nums[-10:])