Канонический пример полезности рекурсивных алгебраических типов данных и ленивая оценка - игровой алгоритм, например. как показано в знаменитой газете WhyFP Джона Хьюза (Comp. J., том 32, № 2, 1989).
Внедряя его с помощью Scala, и используя лениво оцениваемое Stream[Tree[A]]
для каждого поддерева игры приводит к trait Tree[A]
с определением:
sealed trait Tree[A]
case class Branch[A](ts: Stream[Tree[A]]) extends Tree[A]
case class Leaf[A](a: A) extends Tree[A]
Теперь лениво оцениваемая, возможно бесконечная игра может быть представлена как:
gameTree(b: Board): Tree[Board] =
if (b.isAtEndPos) Leaf(b)
else Branch(b.emptySlots.toStream.map((pos: Int) => gameTree(b addTic pos)))
и вы можете реализовать стратегию обрезки, оценки и распараллеливания фактический алгоритм, то есть, например, минимакс, который выполняет задание, и оценивает необходимые части дерева:
def maximize(tree: Tree[Board]): Int = tree match {
case Leaf(board) => board.score
case Branch(subgames) =>
subgames.map((tree: Tree[Board]) => minimize(tree)).max
} ...
def minimize // symmetrically
Тем не менее, бесконечный поток вводит значительное снижение производительности, а решение идентичного игрового дерева с использованием списка желаний (ts: List[Tree[A]]
) в 25 раз более эффективно.
Можно ли эффективно использовать потоки или ленивые структуры в Scala в подобных ситуациях?
Изменить: добавлены некоторые результаты производительности и фактический код: В является ленивой версией.
Ленивая версия (scala 2.9.1):
Time for gametree creation: 0.031s and for finding the solution 133.216s.
Никаких преобразований в создании дерева, т.е. сопоставления множеств в минимаксном
Time for gametree creation: 4.791s and for finding the solution 6.088s.
Преобразование в список в создании игры
Time for gametree creation: 4.438s and for finding the solution 5.601s.