import functools import time # ========================================== # 1. TIMING-DECORATOR ZUR LAUFZEITMESSUNG # ========================================== def timing(func): """Ein Decorator, der die Ausführungszeit einer Funktion misst und auf der Konsole ausgibt. """ @functools.wraps(func) def wrapper(*args, **kwargs): start = time.perf_counter() result = func(*args, **kwargs) end = time.perf_counter() print( f"{func.__name__}({args[0]}) dauerte {(end - start) * 1000:.4f}" " Millisekunden." ) return result return wrapper # ========================================== # 2. SOPHIAS URSPRÜNGLICHE REKURSIVE FUNKTION # ========================================== @timing def coins(n): """Sophias rekursive Funktion zur Berechnung der Möglichkeiten (bzw. geordneten Zerlegungen/Permutationen) für einen Betrag n. Erklärung: - Wenn n == 0: Genau 1 Möglichkeit (der Betrag wurde exakt erreicht). - Wenn n < 0: 0 Möglichkeiten (der Betrag wurde überschritten). - Andernfalls summiert sich die Anzahl der Möglichkeiten aus den verbleibenden Beträgen nach Abzug einer 1er-, 2er- oder 5er-Münze. """ if n == 0: return 1 if n < 0: return 0 return coins(n - 1) + coins(n - 2) + coins(n - 5) # ========================================== # 3. OPTIMIERTE FUNKTION MIT MEMOIZATION # ========================================== @timing @functools.lru_cache(maxsize=None) def coins_memo(n): """Optimierte Variante mit @functools.lru_cache. Warum das hilft (Memoization): - Ohne Cache berechnet die reine Rekursion denselben Teilbaum (z.B. coins(3)) tausendfach neu (exponentielles Wachstum O(3^n)). - Der Cache merkt sich einmal berechnete Ergebnisse. Wird derselbe Wert nochmal abgefragt, liefert Python ihn sofort in O(1)-Zeit zurück. Die Laufzeit sinkt dadurch drastisch auf linear O(n). """ if n == 0: return 1 if n < 0: return 0 return coins_memo(n - 1) + coins_memo(n - 2) + coins_memo(n - 5) # ========================================== # AUSFÜHRUNG & VERGLEICH # ========================================== if __name__ == "__main__": print("--- Ohne Memoization ---") # Bei kleinen Werten läuft es noch schnell, bei höheren (ab ca. n=35) # bricht die Performance ein, weil sich die Rekursion totläuft. coins(10) print("\n--- Mit Memoization ---") # Selbst große Beträge wie n=100 werden dank des Caches # in Bruchteilen einer Millisekunde gelöst. coins_memo(10)