Python中前瞻算法的生成器理解

Question

我昨天就如何在 Python 中展望未来寻求帮助。我的问题是遍历所有可能的边以添加到网络中，并且对于添加了边的每个可能的网络，查看要添加的所有可能的边，依此类推（n 深度）。最后，将在深度 n 生成的所有网络与根网络进行比较，并实际添加最佳第一步（添加的最佳第一条边以在深度 n 处获得最佳结果）。添加第一条边后，再次进行深度搜索，依此类推，直到找到一个好的网络。我可以说就像一个移动的窗口（请参阅lookahead algorithm in Python 以获得对问题的更全面的解释）。

不幸的是，为了问题的清晰，代码需要 igraph，可在此处获得：http://igraph.org/python/#downloads

@Peter Gibson 及时回答，指导我了解生成器推导的逻辑，并帮助我生成以下代码：

from igraph import * # http://igraph.org/python/

def delta(g,gOld): # evaluates the improvement of the graph from one generation to the next 
   print "delta"
   return g.diameter()-gOld.diameter()

def possible_new_edges(G):
    print "Possible new edges"
    allPossibleNewEdges = []
    for n1 in range(50):
        for n2 in range(n1,50):
            if G.are_connected(G.vs[n1],G.vs[n2]) == False and n1 != n2:
                allPossibleNewEdges.append(G.vs[n1],G.vs[n2])
    return allPossibleNewEdges

def add_optimal_edge(graph, n=3):
    print "Add optimal edge"

    paths = [[graph]] # start off with just one graph path, which contains a single graph
    for generation in range(n):
        print "Generation:", generation

        # path[-1] is the latest graph for each generation
        paths = (path + path[-1].add_edge(e) for path in paths for e in path[-1].possible_new_edges())
    # select best path by comparison of final generation against original graph 
    best = max(paths, lambda path: comp_delta(path[-1],graph)) 
    return best[1] # returns the first generation graph

graph = Graph.Erdos_Renyi(50, .15, directed=False, loops=False) # create a random root graph of density 0.15

add_optimal_edge(graph)

生成器简洁优雅。让我们说对于我笨拙的 Python 风格来说有点过于优雅了，我需要了解一些事情才能使它工作。代码运行时出现此错误：

return best[1] # returns the first generation graph
TypeError: 'generator' object has no attribute '__getitem__'

我认为这是因为错误地使用了生成器的函数...

所以，我的问题是：在这样的生成器中使用函数的正确方法是什么？我需要调用 possible_new_edges() 和 delta()，我需要传递什么（图表？）以及如何传递？

非常感谢！

Answer 1

尝试your gist 中的代码，我发现了几个相当小的错误，这些错误阻止了代码运行。我在下面包含了固定代码。然而，这并不能真正解决问题。那是因为您的算法需要考虑真正大量的潜在图，而这在任何合理的时间内都无法做到。

在我的测试中，向前看一步效果很好，但看两步需要很长时间（至少 10 分钟，我从来没有等过它完成），而三步可能需要几天时间。这是因为您的 possible_new_edges 函数返回一千多个可能的边。每个都将添加到您的初始图表的副本中。然后对于每个后续步骤，该过程将在上一步的每个扩展图上重复。这会导致图表呈指数级增长，因为您必须按照 1000**n 图表的顺序评估某些内容，以查看哪个是最好的。

因此，要获得实际结果，您仍然需要进行更改。我不太了解图论或您的问题领域，无法提出建议。

无论如何，这是“工作”代码的更改部分（删除了原始 cmets，以便我对更改内容的注释更加清晰）：

def possible_new_edges(G):

    print("Possible new edges")

    allPossibleNewEdges = []
    for n1 in range(50):
        for n2 in range(n1,50):
            if G.are_connected(G.vs[n1],G.vs[n2]) == False and n1 != n2:
                allPossibleNewEdges.append((G.vs[n1],G.vs[n2]))        # append a tuple
    return allPossibleNewEdges

def add_optimal_edge(graph, n=3):

    print("Add optimal edge")

    paths = [[graph]]
    for generation in range(n):

        print("Generation:", generation)

        paths = (path + [path[-1] + e]   # use + to add an edge, and to extend the path
                 for path in paths
                 for e in possible_new_edges(path[-1]))   # call this function properly
    best = max(paths, key=lambda path: comp_delta(path[-1],graph)) 
    return best[1]

如果循环中的生成器表达式让您感到困惑，用列表推导替换它可能会有所帮助（通过用方括号替换最外面的括号）。然后，您可以检查循环内的paths 列表（并执行诸如打印其len() 之类的操作）。无论哪种方式，代码的逻辑都是相同的，生成器表达式只是推迟计算扩展结果，直到 max 函数开始迭代 paths 以找到最佳得分。

使用列表推导当然适用于n=1，但是当你尝试n=2 时，你可能会开始耗尽内存（你肯定会使用n=3 或更多）。上面的版本不会耗尽​​内存（因为生成器表达式一次只扩展 O(n) 图形），但这并不意味着它运行速度足够快，可以在合理的时间内检查数十亿个图形。