Files
matrixmania/pr 5/coins.py
T
2026-11-12 13:00:27 +01:00

83 lines
2.5 KiB
Python

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)