【算法编程】小学数学题难倒博士

简介: 昨天在科学网上得知这样一个新闻《越南小学数学题难倒博士》,据悉题目来自越南保禄小学三年班,不过报道称该题难倒了上至博士下至家长,未免也太言过其实了。

昨天在科学网上得知这样一个新闻《越南小学数学题难倒博士》,据悉题目来自越南保禄小学三年班,不过报道称该题难倒了上至博士下至家长,未免也太言过其实了。


题目描述

学生需要在下图表格中按由上至下、从左到右的顺序,填入1~9的数字,可重复填写,并按先乘除后加减(图中冒号代表除法)的运算法则,完成整条算式。
这里写图片描述


解题方法

显然,这题对于我们这种程序员来说完全不是问题,只要在大一上过C语言的学生(我们学校全校都学过C,即使是文科专业)基本上都可以用九重for循环来穷举解出此题,下面我分别用C和Matlab实现,并对Matlab算法进行了改进。


C语言实现:

#include<stdio.h>
#include<time.h>
void main()
{
    clock_t start, finish; //用于计时
    double   duration; 
    start = clock(); 
    double result=0;//存储计算结果来看是否与66相等
    int index=0;
    int num=0;
    for(int a=1;a<10;a++)
        for(int b=1;b<10;b++)
            for(int c=1;c<10;c++)
                for(int d=1;d<10;d++)
                    for(int e=1;e<10;e++)
                        for(int f=1;f<10;f++)
                            for(int g=1;g<10;g++)
                                for(int h=1;h<10;h++)
                                    for(int i=1;i<10;i++)
                                    {
                                        result=a+13*b/float(c)+d+12*e-f-11+g*h/float(i)-10;
                                        if(result==66)
                                        {
                                            //这里可以打印解的结果
                                            num=num+1;
                                        }
                                    }
    finish = clock(); 
    duration = (double)(finish - start) / CLOCKS_PER_SEC; 
    printf("总共有%d种结果\n耗时为%f秒\n",num,duration);
}

结果显示如下:
这里写图片描述


Matlab实现

  • 最直接的方法:耗时4911.131591 秒。
clear all;ans=[];
tic
for a=1:9

   for b=1:9

      for c=1:9

          for d=1:9

               for e=1:9

                   for f=1:9

                       for g=1:9

                           for h=1:9

                               for i=1:9

                                   result=a+13*b/c+d+12*e-f-11+g*h/i-10;

                                   if result==66;

                                      answer=[a b c d e f g h i]; ans=[ans;answer];                              

                                   end

                               end

                           end

                       end

                   end

               end

          end

      end

   end

end 
toc

在上面的算法中,存储结果answer的操作十分耗时,我们可以想办法来优化。于是,我将存储结果的过程注释掉后(去掉if语句块),耗时为16.814298 秒,时间由一个小时缩短到了十几秒。不过即使不储存结果,也耗时16.814298 秒,这与用C语言(同样也没有存储结果)的4秒还是有差距的!下面我来讲讲如何改进算法。


改进的matlab实现

在之前的文章《Matlab高效编程技巧》中,提到了要尽量避免多重循环,多使用向量化函数。因此,我决定用矩阵来代替这9重循环。
首先从简单的例子出发:假设有2个一维数组a,b,其元素都是1:9,显然这2个数组任意元素之间进行四则运算(在这里我们假设是相乘)的结果有9*9项,可以用一个9*9的二维数组表示;同理,假设有3个一维数组a,b,c,其元素都是1:9,我们要计算这三个数组任意元素之间进行四则运算的结果,这样总共有9*9*9项,正好用一个9*9*9的三维数组存储;依此类推,我们可以得到9个一维数组元素间进行四则运算可以用9*9*9*9*9*9*9*9*9*9的9维数组表示。
然而,在matlab中,*只能用于二维数组的相乘,幸好我们可以通过bsxfun函数来进行不同维数数组的计算.下面举例演示一下bsxfun的用法:

clear all

a=ones(9,1);%注意一维列向量相当于一个大小为9*1的二维向量
b=ones(1,9);
c=ones(1,1,9);

a(1:9)=1:9
b(1,1:9)=1:9
c(1,1,1:9)=1:9;

temp1=bsxfun(@times,a,b)%乘法a*b temp1是9*9的二维数组

temp2=bsxfun(@plus,a,b)%加法a+b

temp3=bsxfun(@times,temp1,c)%乘法a*b*c 9*9*9的三维数组

通过运行上述结果,你就可以发现,bsxfun完成了任意元素间两两进行四则运算的结果,而且并不要求维数相等。当然关于bsxfun的运算原理以及作用可以查看Matlab的自带文档。我们的算法只需要上述的功能就可以了,在程序中,我按照公式a+13*b/c+d+12*e-f-11+g*h/i-10计算了当 a,b,,i 的所有组合的值,并存储在abcdefghi中,最后再找到数组abcdefghi中值为66的元素所在的下标索引,其索引就是问题的解。具体的Matlab程序实现如下:

clear all
tic

%使得a,b,c,d,e,f,g,h,i分别为1,2,3,4,5,6,7,8,9维的向量
a=ones(9,1);%注意一维列向量相当于一个大小为9*1的二维向量
b=ones(1,9);
c=ones(1,1,9);
d=ones(1,1,1,9);
e=ones(1,1,1,1,9);
f=ones(1,1,1,1,1,9);
g=ones(1,1,1,1,1,1,9);
h=ones(1,1,1,1,1,1,1,9);
i=ones(1,1,1,1,1,1,1,1,9);

a(1:9)=1:9;
b(1,1:9)=1:9;
c(1,1,1:9)=1:9;
d(1,1,1,1:9)=1:9;
e(1,1,1,1,1:9)=1:9;
f(1,1,1,1,1,1:9)=1:9;
g(1,1,1,1,1,1,1:9)=1:9;
h(1,1,1,1,1,1,1,1:9)=1:9;
i(1,1,1,1,1,1,1,1,1:9)=1:9;

%主要使用bsxfun函数来实现不同维函数的四则运算
%a+13*b/c+d+12*e-f-11+g*h/i-10=66
b=bsxfun(@times,b,13);
bc=bsxfun(@rdivide,b,c);
gh=bsxfun(@times,g,h);
ghi=bsxfun(@rdivide,gh,i);

abc=bsxfun(@plus,a,bc);
abcd=bsxfun(@plus,abc,d);
e=bsxfun(@times,e,12);
abcde=bsxfun(@plus,abcd,e);
abcdef=bsxfun(@minus,abcde,f);
abcdef=bsxfun(@minus,abcdef,11);
abcdefghi=bsxfun(@plus,abcdef,ghi);
abcdefghi=bsxfun(@minus,abcdefghi,10);
toc
counter=find(abcdefghi==66);%找到下标索引
[l1,l2,l3,l4,l5,l6,l7,l8,l9]=ind2sub(size(abcdefghi),counter(1))%这就是一种可能的解

运行结果如下图:
这里写图片描述

从图中可以看到,此方法耗时4.183608秒,图中我只显示了前十个结果,并且只计算了第一个结果45所对应的abcdefghi的值,其值在下图的变量空间中:
这里写图片描述

从上图中可以看出,counter大小为442232,即总共有442232个解,其中counter(1)=45时,对应的解为abcdefghi=9 5 1 1 1 1 1 1 1 1 1。
注释:此程序在内存较小的电脑中会由于内存不够而运行不成功,我是在实验室的工作站(内存128g)上运行的。


结果分析

使用matlab编程时,要避免使用多重循环,尽量以矩阵的角度思考问题。由上面的程序耗时对比可以看出,用C语言实现和我改进的算法耗时都在4秒左右,而且用C语言实现是在没有存储解的结果的情况下,如果同样的要存储结果(存储结果可以用不同的数据结构:链表、队列等等)的话,谁更耗时还说不定!由文中提到的两种matlab实现可知,第一种方法占用内存小,可以在普通的电脑上运行,但是耗时长;而我们改进的算法,耗时短,但是占用内存大,在内存小的机器上无法运行。这就是所谓的时间换空间,空间换时间吧!


原文:http://blog.csdn.net/tengweitw/article/details/46012217
作者:nineheadedbird

目录
相关文章
|
1月前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
53 2
|
2月前
|
存储 缓存 分布式计算
数据结构与算法学习一:学习前的准备,数据结构的分类,数据结构与算法的关系,实际编程中遇到的问题,几个经典算法问题
这篇文章是关于数据结构与算法的学习指南,涵盖了数据结构的分类、数据结构与算法的关系、实际编程中遇到的问题以及几个经典的算法面试题。
43 0
数据结构与算法学习一:学习前的准备,数据结构的分类,数据结构与算法的关系,实际编程中遇到的问题,几个经典算法问题
|
2月前
|
算法 Python
Python算法编程:冒泡排序、选择排序、快速排序
Python算法编程:冒泡排序、选择排序、快速排序
35 0
|
4月前
|
机器学习/深度学习 人工智能 资源调度
【博士每天一篇文献-算法】连续学习算法之HAT: Overcoming catastrophic forgetting with hard attention to the task
本文介绍了一种名为Hard Attention to the Task (HAT)的连续学习算法,通过学习几乎二值的注意力向量来克服灾难性遗忘问题,同时不影响当前任务的学习,并通过实验验证了其在减少遗忘方面的有效性。
87 12
|
4月前
|
机器学习/深度学习 算法 计算机视觉
【博士每天一篇文献-算法】持续学习经典算法之LwF: Learning without forgetting
LwF(Learning without Forgetting)是一种机器学习方法,通过知识蒸馏损失来在训练新任务时保留旧任务的知识,无需旧任务数据,有效解决了神经网络学习新任务时可能发生的灾难性遗忘问题。
294 9
|
4月前
|
机器学习/深度学习 算法 机器人
【博士每天一篇文献-算法】改进的PNN架构Lifelong learning with dynamically expandable networks
本文介绍了一种名为Dynamically Expandable Network(DEN)的深度神经网络架构,它能够在学习新任务的同时保持对旧任务的记忆,并通过动态扩展网络容量和选择性重训练机制,有效防止语义漂移,实现终身学习。
65 9
|
4月前
|
机器学习/深度学习 算法 文件存储
【博士每天一篇文献-算法】 PNN网络启发的神经网络结构搜索算法Progressive neural architecture search
本文提出了一种名为渐进式神经架构搜索(Progressive Neural Architecture Search, PNAS)的方法,它使用顺序模型优化策略和替代模型来逐步搜索并优化卷积神经网络结构,从而提高了搜索效率并减少了训练成本。
66 9
|
4月前
|
机器学习/深度学习 算法
【博士每天一篇文献-算法】Adult neurogenesis acts as a neural regularizer
本文研究了成人神经发生(adult neurogenesis)在大脑学习过程中的作用,发现其作为一种神经调节器能提高学习泛化能力,并通过在卷积神经网络(CNN)中模拟神经发生,证明了其作为正则化手段与传统技术一样有效,甚至在某些方面更优。
31 6
|
4月前
|
存储 机器学习/深度学习 算法
【博士每天一篇文献-算法】Fearnet Brain-inspired model for incremental learning
本文介绍了FearNet,一种受大脑记忆机制启发的神经网络模型,用于解决增量学习中的灾难性遗忘问题。FearNet不存储先前的例子,而是使用由海马体复合体和内侧前额叶皮层启发的双记忆系统,以及一个受基底外侧杏仁核启发的模块来决定使用哪个记忆系统进行回忆,有效减轻了灾难性遗忘,且在多个数据集上取得了优异的性能。
38 6
|
4月前
|
机器学习/深度学习 存储 开发框架
【博士每天一篇文献-算法】NICE Neurogenesis Inspired Contextual Encoding for Replay-free Class Incremental Learn
NICE(Neurogenesis Inspired Contextual Encoding)是一种新型深度神经网络架构,旨在通过模拟生物神经系统的成熟过程来解决类别增量学习中的灾难性遗忘问题,无需重放旧样本即可实现有效的增量学习。
63 5