每次调用函数时，如果给定参数值集的结果尚未被记忆，我想将结果放入内存表中。一列用于存储结果，其他列用于存储参数值。
我如何最好地实现这一点？参数有多种类型，包括一些枚举。
在 C# 中，我通常使用 DataTable。 Scala 中是否有等价物？
【问题讨论】：
标签： scala data-structures memoization scala-collections
您可以使用mutable.Map[TupleN[A1, A2, ..., AN], R] ，或者如果内存是一个问题，则可以使用 WeakHashMap[1]。下面的定义（基于michid's blog 的记忆代码）允许您轻松记忆具有多个参数的函数。例如：
import Memoize._
def reallySlowFn(i: Int, s: String): Int = {
Thread.sleep(3000)
i + s.length
}
val memoizedSlowFn = memoize(reallySlowFn _)
memoizedSlowFn(1, "abc") // returns 4 after about 3 seconds
memoizedSlowFn(1, "abc") // returns 4 almost instantly
定义：
/**
* A memoized unary function.
*
* @param f A unary function to memoize
* @param [T] the argument type
* @param [R] the return type
*/
class Memoize1[-T, +R](f: T => R) extends (T => R) {
import scala.collection.mutable
// map that stores (argument, result) pairs
private[this] val vals = mutable.Map.empty[T, R]
// Given an argument x,
// If vals contains x return vals(x).
// Otherwise, update vals so that vals(x) == f(x) and return f(x).
def apply(x: T): R = vals getOrElseUpdate (x, f(x))
}
object Memoize {
/**
* Memoize a unary (single-argument) function.
*
* @param f the unary function to memoize
*/
def memoize[T, R](f: T => R): (T => R) = new Memoize1(f)
/**
* Memoize a binary (two-argument) function.
*
* @param f the binary function to memoize
*
* This works by turning a function that takes two arguments of type
* T1 and T2 into a function that takes a single argument of type
* (T1, T2), memoizing that "tupled" function, then "untupling" the
* memoized function.
*/
def memoize[T1, T2, R](f: (T1, T2) => R): ((T1, T2) => R) =
Function.untupled(memoize(f.tupled))
/**
* Memoize a ternary (three-argument) function.
*
* @param f the ternary function to memoize
*/
def memoize[T1, T2, T3, R](f: (T1, T2, T3) => R): ((T1, T2, T3) => R) =
Function.untupled(memoize(f.tupled))
// ... more memoize methods for higher-arity functions ...
/**
* Fixed-point combinator (for memoizing recursive functions).
*/
def Y[T, R](f: (T => R) => T => R): (T => R) = {
lazy val yf: (T => R) = memoize(f(yf)(_))
yf
}
}
定点组合器 (Memoize.Y) 使得记忆递归函数成为可能：
val fib: BigInt => BigInt = {
def fibRec(f: BigInt => BigInt)(n: BigInt): BigInt = {
if (n == 0) 1
else if (n == 1) 1
else (f(n-1) + f(n-2))
}
Memoize.Y(fibRec)
}
[1] WeakHashMap 不能很好地用作缓存。请参阅http://www.codeinstructions.com/2008/09/weakhashmap-is-not-cache-understanding.html 和this related question。
【讨论】：
yf 正在调用 yf，而在链接的 wrick 的变体中，记忆函数会调用自身。
anovstrup 建议的使用可变 Map 的版本与 C# 中的版本基本相同，因此易于使用。
但如果您愿意，也可以使用更实用的样式。它使用不可变映射，充当一种累加器。将元组（而不是示例中的 Int）作为键的工作方式与可变情况完全相同。
def fib(n:Int) = fibM(n, Map(0->1, 1->1))._1
def fibM(n:Int, m:Map[Int,Int]):(Int,Map[Int,Int]) = m.get(n) match {
case Some(f) => (f, m)
case None => val (f_1,m1) = fibM(n-1,m)
val (f_2,m2) = fibM(n-2,m1)
val f = f_1+f_2
(f, m2 + (n -> f))
}
当然，这有点复杂，但却是一个有用的技巧（请注意，上面的代码是为了清晰，而不是为了速度）。
【讨论】：
作为这个主题的新手，我不能完全理解给出的任何例子（但还是要感谢）。恭敬地，我会提出我自己的解决方案，以解决有人来到这里遇到相同级别和相同问题的情况。我认为我的代码对于任何只有the very-very basic Scala knowledge 的人来说都是非常清晰的。
def MyFunction(dt : DateTime, param : Int) : Double
{
val argsTuple = (dt, param)
if(Memo.contains(argsTuple)) Memo(argsTuple) else Memoize(dt, param, MyRawFunction(dt, param))
}
def MyRawFunction(dt : DateTime, param : Int) : Double
{
1.0 // A heavy calculation/querying here
}
def Memoize(dt : DateTime, param : Int, result : Double) : Double
{
Memo += (dt, param) -> result
result
}
val Memo = new scala.collection.mutable.HashMap[(DateTime, Int), Double]
完美运行。如果我遗漏了什么，我会很感激批评。
【讨论】：
当使用 mutable map 进行记忆时，应记住这会导致典型的并发问题，例如在写入尚未完成时执行获取。但是，内存化的线程安全尝试建议这样做，如果不是没有价值的话，它也没有什么价值。
以下线程安全代码创建了一个记忆化的fibonacci 函数，启动了几个对其进行调用的线程（从'a' 到'd'）。尝试代码几次（在 REPL 中），可以很容易地看到 f(2) set 被多次打印。这意味着线程 A 已经启动了f(2) 的计算，但线程 B 完全不知道它并开始了自己的计算副本。这种无知在缓存的构建阶段非常普遍，因为所有线程都没有看到建立的子解决方案，并且会进入else 子句。
object ScalaMemoizationMultithread {
// do not use case class as there is a mutable member here
class Memo[-T, +R](f: T => R) extends (T => R) {
// don't even know what would happen if immutable.Map used in a multithreading context
private[this] val cache = new java.util.concurrent.ConcurrentHashMap[T, R]
def apply(x: T): R =
// no synchronized needed as there is no removal during memoization
if (cache containsKey x) {
Console.println(Thread.currentThread().getName() + ": f(" + x + ") get")
cache.get(x)
} else {
val res = f(x)
Console.println(Thread.currentThread().getName() + ": f(" + x + ") set")
cache.putIfAbsent(x, res) // atomic
res
}
}
object Memo {
def apply[T, R](f: T => R): T => R = new Memo(f)
def Y[T, R](F: (T => R) => T => R): T => R = {
lazy val yf: T => R = Memo(F(yf)(_))
yf
}
}
val fibonacci: Int => BigInt = {
def fiboF(f: Int => BigInt)(n: Int): BigInt = {
if (n <= 0) 1
else if (n == 1) 1
else f(n - 1) + f(n - 2)
}
Memo.Y(fiboF)
}
def main(args: Array[String]) = {
('a' to 'd').foreach(ch =>
new Thread(new Runnable() {
def run() {
import scala.util.Random
val rand = new Random
(1 to 2).foreach(_ => {
Thread.currentThread().setName("Thread " + ch)
fibonacci(5)
})
}
}).start)
}
}
【讨论】：
除了Landei的回答之外，我还想建议在Scala中做DP的自下而上（非记忆化）的方式是可能的，核心思想是使用foldLeft(s)。
计算斐波那契数的示例
def fibo(n: Int) = (1 to n).foldLeft((0, 1)) {
(acc, i) => (acc._2, acc._1 + acc._2)
}._1
最长递增子序列示例
def longestIncrSubseq[T](xs: List[T])(implicit ord: Ordering[T]) = {
xs.foldLeft(List[(Int, List[T])]()) {
(memo, x) =>
if (memo.isEmpty) List((1, List(x)))
else {
val resultIfEndsAtCurr = (memo, xs).zipped map {
(tp, y) =>
val len = tp._1
val seq = tp._2
if (ord.lteq(y, x)) { // current is greater than the previous end
(len + 1, x :: seq) // reversely recorded to avoid O(n)
} else {
(1, List(x)) // start over
}
}
memo :+ resultIfEndsAtCurr.maxBy(_._1)
}
}.maxBy(_._1)._2.reverse
}
【讨论】：