以下代码需要约30秒运行,而我希望它几乎是即时的。我的代码有问题吗?
x <- fibonacci(35);
fibonacci <- function(seq) {
if (seq == 1) return(1);
if (seq == 2) return(2);
return (fibonacci(seq - 1) + fibonacci(seq - 2));
}
以下代码需要约30秒运行,而我希望它几乎是即时的。我的代码有问题吗?
x <- fibonacci(35);
fibonacci <- function(seq) {
if (seq == 1) return(1);
if (seq == 2) return(2);
return (fibonacci(seq - 1) + fibonacci(seq - 2));
}
Patrick Burns在R地狱中举了一个例子,展示了使用local()
和<<-
在R中进行记忆化的一种方式。实际上,这是一个斐波那契数列:
fibonacci <- local({
memo <- c(1, 1, rep(NA, 100))
f <- function(x) {
if(x == 0) return(0)
if(x < 0) return(NA)
if(x > length(memo))
stop("’x’ too big for implementation")
if(!is.na(memo[x])) return(memo[x])
ans <- f(x-2) + f(x-1)
memo[x] <<- ans
ans
}
})
这仅仅提供了一个很好的机会来推广Rcpp,它允许我们轻松地将C++函数添加到R中。
所以在稍微修正代码并使用inline(用于将短代码片段编译、加载和链接为动态可加载函数)和rbenchmark包对函数进行计时和比较后,我们以惊人的700倍性能提升结束:
R> print(res)
test replications elapsed relative user.self sys.self
2 fibRcpp(N) 1 0.092 1.000 0.10 0
1 fibR(N) 1 65.693 714.054 65.66 0
R>
这里我们看到92毫秒对比65秒的流逝时间,相对比例为714。但是现在其他人都告诉您不要直接在R中进行此操作……以下是代码。
## inline to compile, load and link the C++ code
require(inline)
## we need a pure C/C++ function as the generated function
## will have a random identifier at the C++ level preventing
## us from direct recursive calls
incltxt <- '
int fibonacci(const int x) {
if (x == 0) return(0);
if (x == 1) return(1);
return (fibonacci(x - 1)) + fibonacci(x - 2);
}'
## now use the snipped above as well as one argument conversion
## in as well as out to provide Fibonacci numbers via C++
fibRcpp <- cxxfunction(signature(xs="int"),
plugin="Rcpp",
incl=incltxt,
body='
int x = Rcpp::as<int>(xs);
return Rcpp::wrap( fibonacci(x) );
')
## for comparison, the original (but repaired with 0/1 offsets)
fibR <- function(seq) {
if (seq == 0) return(0);
if (seq == 1) return(1);
return (fibR(seq - 1) + fibR(seq - 2));
}
## load rbenchmark to compare
library(rbenchmark)
N <- 35 ## same parameter as original post
res <- benchmark(fibR(N),
fibRcpp(N),
columns=c("test", "replications", "elapsed",
"relative", "user.self", "sys.self"),
order="relative",
replications=1)
print(res) ## show result
为了完整起见,这些函数还会生成正确的输出:
R> sapply(1:10, fibR)
[1] 1 1 2 3 5 8 13 21 34 55
R> sapply(1:10, fibRcpp)
[1] 1 1 2 3 5 8 13 21 34 55
R>
你使用了指数级别算法!因此对于斐波那契数列第N项,该函数需要调用2的N次方次,而2的35次方是一个非常大的数字....:-)
改用线性算法:
fib = function (x)
{
if (x == 0)
return (0)
n1 = 0
n2 = 1
for (i in 1:(x-1)) {
sum = n1 + n2
n1 = n2
n2 = sum
}
n2
}
抱歉,编辑:指数递归算法的复杂度不是O(2^N),而是O(fib(N)),正如Martinho Fernandes大师开玩笑说的那样 :-) 这真是一个很好的注释 :-)
因为你正在使用世界上最差的算法之一!
其复杂度为O(fibonacci(n))
= O((黄金比例)^n)
,其中黄金比例为1.6180339887498948482…
因为已经在这里提到了memoise
包,所以这里提供一个参考实现:
fib <- function(n) {
if (n < 2) return(1)
fib(n - 2) + fib(n - 1)
}
system.time(fib(35))
## user system elapsed
## 36.10 0.02 36.16
library(memoise)
fib2 <- memoise(function(n) {
if (n < 2) return(1)
fib2(n - 2) + fib2(n - 1)
})
system.time(fib2(35))
## user system elapsed
## 0 0 0
fib3 <- function(n){
fib <- function(n, fibm1, fibm2){
if(n==1){return(fibm2)}
if(n==2){return(fibm1)}
if(n >2){
fib(n-1, fibm1+fibm2, fibm1)
}
}
fib(n, 1, 0)
}
> system.time(fibonacci(35))
usuário sistema decorrido
14.629 0.017 14.644
> system.time(fib3(35))
usuário sistema decorrido
0.001 0.000 0.000
ifelse
进行向量化处理:fib4 <- function(n){
fib <- function(n, fibm1, fibm2){
ifelse(n<=1, fibm2,
ifelse(n==2, fibm1,
Recall(n-1, fibm1+fibm2, fibm1)
))
}
fib(n, 1, 0)
}
fib4(1:30)
## [1] 0 1 1 2 3 5 8
## [8] 13 21 34 55 89 144 233
## [15] 377 610 987 1597 2584 4181 6765
## [22] 10946 17711 28657 46368 75025 121393 196418
## [29] 317811 514229
==
更改为 <=
,以适用于n == 1
的情况,并将每个if
块更改为相应的ifelse
。n,1,0
以使其在数学上正确,但这并不会改变原始代码的运行时间或含义。 - Matthew Lundberg如果您真正想返回斐波那契数列,而不是使用此示例探索递归的工作原理,那么可以通过以下非递归方式解决:
fib = function(n) {round((1.61803398875^n+0.61803398875^n)/sqrt(5))}
n=55
。 - Ferdinand.kraft
1,2,3,5,8,...
,然而正确的数列应该是0,1,1,2,3,5,8,...
。 - Peter K.gmp
具有函数fibnum
,可计算任意精度的斐波那契数。使用标准的doubles
只能获得最多n=55
左右的值。 - Ferdinand.kraft