Question

我有以下格式的启发式：

if a == 1 and b == 1 and c == 1:
    do something
if a == 1 and b == 1 and c == 2:
    do something
if a == 3 and b == 2 and c == 1:
    do something
if a == 2 and b == 2 and c == 1:
    do something
if a == 3 and b == 1 and c == 3:
    do something
etc.

当然，这会进行许多不必要的比较，如果这些语句是这样嵌套的话可以避免：

if a == 1:
    if b == 1:
        if c == 1:
            do something
        if c == 2:
            do something
etc.

假设我有一个案例的元组集(a, b, c)是有限的，并且每个元组具有被算法接收的相同可能性，我怎样才能生成最优的决策树，即它对一般情况进行最少的比较，或者在所有输入都通过它时最小化比较总数？

我想象这样的事情：

In: optimal_tree([(1, 1, 1), (1, 1, 2)])
Out: "if a == 1:
          if b == 1:
              if c == 1:
                  do something
              if c == 2:
                  do something"

In: optimal_tree([(1, 1), (2, 1), (2, 2)])
Out: "if a == 2:
          if b == 1:
              do something
          if b == 2:
              do something
      if a == 1:
          do something"

     OR

     "if b == 1:
          if a == 1:
              do something
          if a == 2:
              do something
      if b == 2:
          do something"

Answer 1

规则引擎和数据库查询也经常处理这个问题。您可能希望了解这些背后的实现。

他们有几种方法来解决这个问题（虽然没有一个是完美的）：

按照规则/查询中定义的顺序进行比较。
根据统计信息重新排序比较。例如，数据库将首先处理具有最大值差异的索引列。

如果你想让你的算法更快，你可能想要研究哈希和＆amp;索引，如果你还没有这样做。这带来了更大的规模优势。

启发式算法的最优决策树

1 个答案: