Python 带减法的子集求和算法
我有一个子集和问题,你可以加上或减去这些项。例如,如果我有五个术语(1、2、3、4、5),我想知道有多少种方法可以加/减这些术语,从而得到7:Python 带减法的子集求和算法,python,algorithm,subset-sum,Python,Algorithm,Subset Sum,我有一个子集和问题,你可以加上或减去这些项。例如,如果我有五个术语(1、2、3、4、5),我想知道有多少种方法可以加/减这些术语,从而得到7: 3+4 2+5 1+2+4 5-2+4 等等 我用Python编写了一些代码,但一旦出现了许多术语,它的速度就会非常慢: import itertools from collections import OrderedDict sum_answer = 1 terms = {"T1": 1, "T2": -2, "T3": 3, "T4": -4,
- 3+4
- 2+5
- 1+2+4
- 5-2+4
- 等等
import itertools
from collections import OrderedDict
sum_answer = 1
terms = {"T1": 1, "T2": -2, "T3": 3, "T4": -4, "T5": 5}
numlist = [v for v in terms.values()]
zerlist = [x for x in itertools.repeat(0, len(numlist))]
opslist = [item for item in itertools.product((1, -1), repeat=len(numlist))]
res_list = []
for i in range(1, len(numlist)):
combos = itertools.combinations(numlist, i)
for x in combos:
prnlist = list(x) + zerlist[:len(numlist) - len(x)]
for o in opslist:
operators = list(o)
result = []
res_sum = 0
for t in range(len(prnlist)):
if operators[t] == 1:
ops = "+"
else:
ops = "-"
if prnlist[t] != 0:
result += [ops, list(terms.keys())[list(terms.values()).index(prnlist[t])]]
res_sum += operators[t] * prnlist[t]
if sum_answer == res_sum:
res_list += [" ".join(result)]
for ans in OrderedDict.fromkeys(res_list).keys():
print(ans)
我意识到一百万个嵌套循环的效率非常低,所以我可以用一个更好的算法来加快速度吗?类似于“常规”子集求和问题-在这里,您可以使用它来解决问题,但还需要一种可能性-减少当前元素,而不是添加它
f(0,i) = 1 //successive subset
f(x,0) = 0 x>0 //failure subset
f(x,i) = f(x+element[i],i-1) + f(x-element[i],i-1) + f(x,i-1)
^^^
This is the added option for substraction
当将其转换为自下而上的DP解决方案时,您需要创建一个大小为(SUM+1)*(2n+1)
的矩阵,其中SUM
是所有元素的总和,n
是元素的数量。类似于“常规”子集和问题-在您用来解决问题的地方,您也将在这里使用它,但是还需要一种可能性——减少当前元素而不是添加它
f(0,i) = 1 //successive subset
f(x,0) = 0 x>0 //failure subset
f(x,i) = f(x+element[i],i-1) + f(x-element[i],i-1) + f(x,i-1)
^^^
This is the added option for substraction
当将其转换为自下而上的DP解决方案时,您需要创建一个大小为
(SUM+1)*(2n+1)
的矩阵,其中SUM
是所有元素的总和,n
是元素的数量。我认为您的想法基本正确:生成每个术语的组合,进行求和,看看是否成功。不过,您可以优化代码
问题是,一旦生成1+2
,您就会发现它与所需的总和不匹配,并将其丢弃。但是,如果您向它添加4
,它就是一个解决方案。但是,在生成1+2+4
之前,您无法获得该解决方案,此时您将从头开始计算总和。您还可以为每个组合从头开始添加操作符,这也会出于同样的原因进行大量冗余工作
您还使用了大量的列表操作,这可能会很慢
我会这样做:
def solve(terms_list, stack, current_s, desired_s):
if len(terms_list) == 0:
if current_s == desired_s:
print(stack)
return
for w in [0, 1, -1]: # ignore term (0), add it (1), subtract it (-1)
stack.append(w)
solve(terms_list[1:], stack, current_s + w * terms_list[0], desired_s)
stack.pop()
例如,初始调用是solve([1,2,3,4,5],[0,7)
请注意,这具有复杂性,因为每个术语都可以加、减或忽略
我的实际实现的复杂性是O(n*3^n)
,因为递归调用复制了terms\u list
参数。不过,您可以避免这种情况,但我希望使代码更简单,并将其作为练习。也可以避免在打印前构造实际表达式,而是以增量方式构造,但可能需要更多参数
然而,
O(3^n)
仍然很多,无论你做什么,你都不应该期望它在大型n
中表现得很好。我认为你的想法基本上是正确的:生成每个术语的组合,求和,看看是否成功。不过,您可以优化代码
问题是,一旦生成1+2
,您就会发现它与所需的总和不匹配,并将其丢弃。但是,如果您向它添加4
,它就是一个解决方案。但是,在生成1+2+4
之前,您无法获得该解决方案,此时您将从头开始计算总和。您还可以为每个组合从头开始添加操作符,这也会出于同样的原因进行大量冗余工作
您还使用了大量的列表操作,这可能会很慢
我会这样做:
def solve(terms_list, stack, current_s, desired_s):
if len(terms_list) == 0:
if current_s == desired_s:
print(stack)
return
for w in [0, 1, -1]: # ignore term (0), add it (1), subtract it (-1)
stack.append(w)
solve(terms_list[1:], stack, current_s + w * terms_list[0], desired_s)
stack.pop()
例如,初始调用是solve([1,2,3,4,5],[0,7)
请注意,这具有复杂性,因为每个术语都可以加、减或忽略
我的实际实现的复杂性是O(n*3^n)
,因为递归调用复制了terms\u list
参数。不过,您可以避免这种情况,但我希望使代码更简单,并将其作为练习。也可以避免在打印前构造实际表达式,而是以增量方式构造,但可能需要更多参数
然而,
O(3^n)
仍然很多,无论你做什么,你都不应该期望它对大的n
表现得很好。现在你正试图从一行强制执行所有可能的字段值组合(然后针对其他行测试每个组合的有效性)
我想你有很多行的数据要处理;我建议你利用这一点,取一堆行(至少是你要求解的字段的数量),然后应用一个近似的矩阵解算器,比如
这有许多重要的优点:
- 允许您合理地处理舍入错误问题(如果您的任何字段都是非整数,则必须这样做)
- 允许您轻松处理系数不在
中的字段,即系数可能类似{-1,0,1}
的税率0.12
- 使用不需要调试或维护的完全受支持的代码
- 使用运行速度更快的高度优化的代码(**最有可能,取决于编译numpy时使用的选项)
- 它具有更好的时间复杂度(类似于O(n**2.8)而不是O(3**n)),这意味着它应该扩展到更多的字段
import numpy as np
# generate test data
def make_test_data(coeffs, mean=20.0, base=0.05):
w = len(coeffs) # number of fields
h = int(1.5 * w) # number of rows of data
rows = np.random.exponential(mean - base, (h, w)) + base
totals = data.dot(coeffs)
return rows.round(2), totals.round(2)
这让我们有点像
>>> rows, totals = make_test_data([0, 1, 1, 0, -1, 0.12])
>>> print(rows)
[[ 1.45 17.63 22.54 5.54 37.06 1.47]
[ 11.71 80.43 26.43 18.48 11.08 8.8 ]
[ 16.09 11.34 63.74 3.31 13.2 13.35]
[ 11.96 12.17 10.23 8.15 73.3 0.42]
[ 4.03 8.01 20.84 21.46 2.76 18.98]
[ 3.24 6.6 35.06 23.17 9.03 8.58]
[ 25.05 33.72 6.82 0.49 46.76 12.21]
[ 70.27 1.48 23.05 0.69 31.11 43.13]
[ 9.04 10.45 15.08 4.32 52.94 11.13]]
>>> print(totals)
[ 3.29 96.84 63.48 -50.85 28.37 33.66 -4.75 -1.4 -26.07]
以及解算器代码
>>> sol = np.linalg.lstsq(rows, totals) # one line!
>>> print(sol[0]) # note the solutions are not *exact*
[ -1.485730e-04 1.000072e+00 9.999334e-01 -7.992023e-05 -9.999552e-01 1.203379e-01]
>>> print(sol[0].round(3)) # but they are *very* close
[ 0. 1. 1. 0. -1. 0.12]
现在,您正试图强制一行中所有可能的字段值组合(然后针对其他行测试每个组合的有效性) 我想你有很多行的数据要处理;我建议你利用这一点,取一堆行(至少是你要求解的字段的数量),然后应用一个近似的矩阵解算器,比如 这个h