递归问题
大问题分解成 多个 相同的小问题
递归和栈,有一定的关联
整数转换成任意进制的代码(递归方法)
思路: 进制转换问题 --> 整数除和求余数
整数除和求余数(除以“进制基base” // base 和 对“进制基” 求余数 %base)
def convert_scale(n, base):
convert_string = '0123456789ABCDEF'
if n < base:
return convert_string[n]
else:
return convert_scale(n // base, base) + convert_string[n % base]
print(convert_scale(233, 16))
递归和栈有一点的关系:当一个函数被调用的时候,系统会把调用时的现场数据压入到系统调用栈
python 内置的sys模块可以获取和调整最大的递归深度
import sys
print(sys.getrecursionlimit()) # 1000
sys.setrecursionlimit(3000)
print(sys.getrecursionlimit()) # 3000
递归可视化:分形树
import turtle
import time
def tree(branch_len, t):
if branch_len > 5:
time.sleep(1)
t.forward(branch_len) # 画树干
t.right(20) # 右斜20度
tree(branch_len - 10, t) # 递归调用,画右边的小树, 树干减15
t.left(40) # 向左回40度, 急左斜20度
tree(branch_len - 10, t) # 递归调用,画左边的小树, 树干减15
t.right(20) # 向右回20度,即回正
t.backward(branch_len) # 海龟退回到原来的位置
t = turtle.Turtle()
t.left(90)
t.penup()
t.backward(100)
t.pendown()
t.pencolor('green')
t.pensize(2)
tree(75, t)
t.hideturtle()
turtle.done()
河内塔的问题
分治策略
优化问题和贪心策略
找零兑换问题: 找零尽可能让硬币的数量最小
找零问题的递归解法
import time
def rec_mc(coin_value_list, change):
min_coins = change # 表示change元用change个1元
if change in coin_value_list:
return 1 # 最小规模直接返回
else:
for i in [c for c in coin_value_list if c <= change]:
num_coins = 1 + rec_mc(coin_value_list, change - i) # 调用自身,减小规模:每次减去一种硬币面值,
if num_coins < min_coins: # 挑选最小数量
min_coins = num_coins
return min_coins
star_time = time.time()
print(rec_mc([1, 5, 10, 25], 63))
print("time consume", time.time() - star_time) # time consume 64.45321083068848
找零问题的递归解法, 改进后的代码: (记忆化/函数值缓存提高了递归解法的性能)
import time
def rec_mc(coin_value_list, change, known_results): # 增加参数
min_coins = change # 表示change元用change个1元
if change in coin_value_list: # 递归基本结束条件
known_results[change] = 1
return 1 # 最小规模直接返回
elif known_results[change] > 0:
return known_results[change] # 表明已经有了最优解, 查表成功,直接使用最优解
else:
for i in [c for c in coin_value_list if c <= change]:
num_coins = 1 + rec_mc(coin_value_list, change - i, known_results) # 调用自身,减小规模:每次减去一种硬币面值,
if num_coins < min_coins: # 挑选最小数量
min_coins = num_coins
known_results[change] = min_coins # 找到最优解,记录到表中
return min_coins
star_time = time.time()
print(rec_mc([1, 5, 10, 25], 63, [0]*64))
print("time consume", time.time() - star_time) # time consume 0.0002810955047607422
找零问题的 动态规划解法
动态规划算法采用了一种更有条理的方式来得到问题的解
找零兑换的动态规划算法从最简单的“1分钱找零”的最优解开始,逐步递加上去,直到我们需要的找零钱数
在找零递加的过程中,设法保持每一分钱的递加都是最优解,一直加到求解找零钱数,自然得到最优解。
递加的过程能保持最优解的关键是,其依赖于更少钱数最优解的简单计算,而更少钱数的最优解已经得到了。
问题的最优解 包含了 更小规模子问题的最优解,这是一个最优化问题能够用动态规划策略解决的必要条件。
简单版
# Dynamic programming
def dp_cake_change(coin_value_list, change, min_coins):
# 从1分钱开始到change逐个计算最少硬币数
for cents in range(1, change + 1):
# 1. 初始化一个最大值
coin_count = cents
# 2. 减去每个硬币,向后查最少硬币数, 同时
for j in [c for c in coin_value_list if c <= cents]:
if min_coins[cents - j] + 1 < coin_count:
coin_count = min_coins[cents - j] + 1
# 3.得到当前的最少硬币数,记录到表中
min_coins[cents] = coin_count
return min_coins[change]
print(dp_cake_change([1, 5, 10, 21, 25], 63, [0] * 64))
完整版
# Dynamic programming
def dp_cake_change(coin_value_list, change, min_coins, coins_used):
# 从1分钱开始到change逐个计算最少硬币数
for cents in range(1, change + 1):
# 1. 初始化一个最大值
coin_count = cents
new_coin = 1 # 初始化一个新加的硬币
# 2. 减去每个硬币,向后查最少硬币数, 同时记录总的最少数
for j in [c for c in coin_value_list if c <= cents]:
if min_coins[cents - j] + 1 < coin_count:
coin_count = min_coins[cents - j] + 1
new_coin = j # 对应最小数量,所减的硬币
# 3.得到当前的最少硬币数,记录到表中
min_coins[cents] = coin_count
coins_used[cents] = new_coin # 记录本步骤加的一个硬币
return min_coins[change]
def print_coins(coins_used, change):
coin = change
while coin > 0:
this_coin = coins_used[coin]
print(this_coin)
coin = coin - this_coin
money = 63
coin_list = [1, 5, 10, 21, 25]
the_min_coins = [0] * (money + 1)
the_coins_used = [0] * (money + 1)
print(dp_cake_change(coin_list, money, the_min_coins, the_coins_used))
print_coins(coins_used=the_coins_used, change=63)
博物馆大盗问题动态规划解法代码
# 宝物的重量和价值
tr = [
None,
{'w': 2, 'v': 3},
{'w': 3, 'v': 4},
{'w': 4, 'v': 8},
{'w': 5, 'v': 8},
{'w': 9, 'v': 10}
]
# 大盗最大承重
max_w = 20
# 初始化二维表格m[(i, w)]
# 表示前i个宝物中,最大重量w的组合,所得到的的最大价值
# 当i什么都不取,或w上限为0, 价值均为0
m = {(i, w): 0 for i in range(len(tr)) for w in range(max_w + 1)}
# 逐个填写二维表格
for i in range(1, len(tr)):
for w in range(1, max_w + 1):
if tr[i]['w'] > w: # 装不下第i个宝物
m[(i, w)] = m[(i - 1), w]
else:
# 不装第i个宝物,装第i个宝物,两种情况下最大价值
m[(i, w)] = max(m[(i - 1, w)], m[(i - 1, w - tr[i]['w'])] + tr[i]['v'])
# 输出结果
print(m[(len(tr) - 1, max_w)])
为了进一步理解,我将结果m这个无序字典转换成有序字典。 然后用excel表显示出来,加深理解
其他知识: 无序字典变有序字典
from collections import OrderedDict
m={3:2,2:1,1:0}
print(OrderedDict(sorted(m.items())))
博物馆大盗问题递归解法代码
# 宝物的重量和价值(这里用set()集合使得tr为不可变类型,还可以用来计算,tuple()的话就不能计算)
tr = {
(2, 3),
(3, 4),
(4, 8),
(5, 8),
(9, 10)
}
# 大盗最大承重
max_w = 20
# 初始化记忆化表格m
# Key是(宝物组合,最大重量),value是最大价值
m = {}
def theif(tr, w):
# 情况: 什么都没得选,或者最大负重为0
if tr == set() or w == 0:
m[(tuple(tr), w)] = 0 # tuple是key的要求
return 0 # 返回的最大重量是0
# 如果表中存在,则直接返回
elif (tuple(tr), w) in m:
return m[(tuple(tr), w)]
# 核心部分
else:
vmax = 0
for t in tr: # 每个t的都有可能产生最大v_max
if t[0] <= w:
# 逐个从集合中去掉某个宝物,递归调用
# 选出所有价值中的最大值
v = theif(tr-{t}, w-t[0]) + t[1]
vmax = max(vmax, v)
m[(tuple(tr), w)] = vmax
return vmax
print(theif(tr, max_w))
递归总结
1.结束条件
2.缩小规模
3.调用自身