Python 消除嵌套循环
我被分配了一个任务,我必须建立一个暴力算法。它必须通过一个包含14400个顶点的图来找到最佳路线,一天中24小时的每个顶点有600个。在600个顶点中的每个顶点上,可以为下一个小时选择480个顶点 我曾经尝试过构建一个算法,但是现在的方式不可能遍历图,因为我最终得到了很多嵌套循环。我是Python新手, 有没有办法改进算法Python 消除嵌套循环,python,algorithm,graph-theory,Python,Algorithm,Graph Theory,我被分配了一个任务,我必须建立一个暴力算法。它必须通过一个包含14400个顶点的图来找到最佳路线,一天中24小时的每个顶点有600个。在600个顶点中的每个顶点上,可以为下一个小时选择480个顶点 我曾经尝试过构建一个算法,但是现在的方式不可能遍历图,因为我最终得到了很多嵌套循环。我是Python新手, 有没有办法改进算法 Path = [0] * 2 S = [12, 9, 20]; K = 10 S[:] = [x - K for x in S] for x in range(0,600)
Path = [0] * 2
S = [12, 9, 20];
K = 10
S[:] = [x - K for x in S]
for x in range(0,600): #1.hour
Path[0]= x
for y in range(-240,240): # 2.hour
hour2 = x+y
if 0 <= hour2 <= 600:
Path[1] = hour2
for y in range(-240,240): # 3.hour
hour3 = hour2 + y
if 0 <= hour3 <= 600:
Path[2]= hour3
price = sum([a*b for a,b in zip(Path,S)])
if maxprice < price:
maxprice = price
Optimalpath = list(Path)
print Optimalpath
print maxprice
Path=[0]*2
S=[12,9,20];
K=10
S[:]=[x-K表示S中的x]
对于范围(0600)内的x:#1.5小时
路径[0]=x
对于范围内的y(-240240):#2.5小时
小时2=x+y
如果0您可以使用以下组合
考虑将循环体转换为函数
for x in ...
for y in ...
for z in ...
...
三重循环令人望而生畏。但是,考虑一下:
def process_xy(x, y):
for z in ...
for x in ...
for y in ...
process_xy(x, y)
您不仅减少了代码缩进,还完成了以下工作:
您已经创建了一个可以独立调试和测试的较小单元(process_xy
)
剩下的嵌套循环则执行更简单的操作——只需调用一个函数
请注意:
for x0 in a0:
for x1 in a1:
for x2 in a2:
....
相当于
import itertools
for (x0, x1, x2) in itertools.product(a0, a1, a2):
...
这在嵌套范围不依赖于外部范围时非常有用。在24个阶段中的每个阶段,至少有240种可能性(通常为
多达480人)。因此,至少存在24**240
可能的路径。这比
10**57
路径。用暴力解决这个问题是不可能的。这个
然而,问题可以通过使用来解决
同样,您可以使用递归来生成所有可能的路径。
假设您有一个生成长度为1的所有可能路径的。这很简单:
def generate_paths1():
for i in range(600):
yield [i]
您可以使用generate_paths1
生成长度为2的所有可能路径:
def generate_paths2():
for path in generate_paths1():
current = path[-1]
low = max(current-240, 0)
high = min(current+240, 600)
for i in range(low, high):
yield path+[i]
您可以使用生成路径2
生成所有长度为3的路径:
def generate_paths3():
for path in generate_paths2():
current = path[-1]
low = max(current-240, 0)
high = min(current+240, 600)
for i in range(low, high):
yield path+[i]
但是等等<代码>生成路径3
的功能实际上与
生成路径2
。当然还有更好的办法。我们可以写一个递归函数
可以执行所有操作的函数生成路径1
,生成路径2
,以及
生成路径3
可以--以及更多:
def generate_paths(N):
# moves = range(0, 601, 120) # see below for why this is an improvement
moves = range(601)
if N == 1:
for i in moves:
yield [i]
else:
for path in generate_paths(N-1):
current = path[-1]
low = max(current-240, 0)
high = min(current+240, 600)
for i in [i for i in moves if low <= i <= high]:
yield path+[i]
N = 3
for path in generate_paths(N):
...
因为当S为正时,最优解倾向于使用600使价格最大化,当S为负时,使用0使损失最小化。介于两者之间的其他值是最佳解决方案需要从0移动到600或从600移动到0的最大跳数
这将减少到6**24
的路径数,该路径比240**24
小得多,但仍然太大,无法采用暴力解决方案
使用该工具可以解决最佳路径问题——即使是完整的24阶段问题——如下所示:
Maximize price = sum([a*b for a, b in zip(S, path)])
Subject to:
x[1] - x[0] <= 240
x[0] - x[1] <= 240
x[2] - x[1] <= 240
x[1] - x[2] <= 240
...
import numpy as np
import scipy.optimize as optimize
"""
Minimize: np.dot(S, x)
Subject to: np.dot(A, x) <= b
"""
N = 24
K = 10
S = np.random.randint(-K//2, +K//2, size=N)
A = np.zeros((2*(N-1), N), dtype=int)
for i in range(N-1):
A[2*i, i:i+2] = (1, -1)
A[2*i+1, i:i+2] = (-1, 1)
b = np.array([240]*A.shape[0])
bounds = [(0, 600)]*N
result = optimize.linprog(c=-S, A_ub=A, b_ub=b, bounds=bounds)
optimal_path = result.x
max_price = np.dot(S, optimal_path)
print('''S: {}
optimal_path: {}
price: {}'''.format(S, optimal_path, max_price))
递归。非常感谢你的帮助。有一个问题,你是如何计算最优解所需的最大跳数的?我通过用蛮力找到非常小的
N
的解,获得了一些直觉。后来我意识到这是一个线性规划问题,因此知道最优解总是出现在“边界”(给定约束)上。这里,这意味着移动的最大量是240。也就是说,如果你在0,希望达到600,但最多只能跳240,那么你将跳240,然后是480,然后在600着陆。相反,如果你在600,并且希望得到0,你会跳(最大可能的数量)到360(=600-240),然后120到达0。因此,最佳解决方案使用的唯一值在[0、120、240、360、480、600]
中。还有一个问题。用蛮力法。我可以看出你写的递归函数是有效的。但我无法理解的是它是如何创建路径的,因为从我的角度来看,N没有改变。当N=1
(简单)和N=2
(更难,但不太难)时,您可能希望手动查看代码。请注意,当N=2
时,您在generate_path(N-1)中为path找到了。这是更改N
的地方<代码>生成路径(2)
调用生成路径(1)
。类似地,生成路径(3)
调用生成路径(2)
。通常(对于N>=2),生成路径(N)
调用生成路径(N-1)
。
import numpy as np
import scipy.optimize as optimize
"""
Minimize: np.dot(S, x)
Subject to: np.dot(A, x) <= b
"""
N = 24
K = 10
S = np.random.randint(-K//2, +K//2, size=N)
A = np.zeros((2*(N-1), N), dtype=int)
for i in range(N-1):
A[2*i, i:i+2] = (1, -1)
A[2*i+1, i:i+2] = (-1, 1)
b = np.array([240]*A.shape[0])
bounds = [(0, 600)]*N
result = optimize.linprog(c=-S, A_ub=A, b_ub=b, bounds=bounds)
optimal_path = result.x
max_price = np.dot(S, optimal_path)
print('''S: {}
optimal_path: {}
price: {}'''.format(S, optimal_path, max_price))
S: [ 0 1 3 4 -5 -1 0 -3 -4 0 3 2 -5 1 -4 -1 -3 2 0 -2 0 4 -2 2]
optimal_path: [ 360. 600. 600. 360. 120. 0. 0. 0. 0. 240. 480. 240.
0. 240. 0. 0. 0. 240. 0. 120. 360. 600. 360. 600.]
price: 8520.0