مثال بازنویسی کد

این مثال نشان می‌دهد که چگونه با استفاده از DeepSeek می‌توان کد را تحلیل و بهینه‌سازی کرد، شامل مدیریت خطا، توضیحات و بهبود عملکرد.

وظیفه

کد زیر را که ناکارآمد است و موارد حدی را مدیریت نمی‌کند، تحلیل و بهینه‌سازی کنید:

def fib(n):
    if n <= 2:
        return n
    return fib(n-1) + fib(n-2)

پرامپت

کد بالا ناکارآمد است و موارد حدی را مدیریت نمی‌کند. لطفاً مشکلات و راه‌حل‌ها را توضیح دهید و کد را بهینه‌سازی کنید.

پاسخ

تحلیل مشکل

این پیاده‌سازی تابع فیبوناچی fib(n) از بازگشت استفاده می‌کند. کد ساده است اما مشکلات زیر را دارد:

محاسبات تکراری: فراخوانی‌های بازگشتی منجر به محاسبات مکرر می‌شود. به عنوان مثال، هنگام محاسبه fib(5)، مقادیر fib(3) و fib(2) چندین بار محاسبه می‌شوند که کارایی را کاهش می‌دهد.
مدیریت ناکافی موارد حدی: در حالی که مورد n <= 2 مدیریت می‌شود، مورد n < 0 در نظر گرفته نمی‌شود. تابع برای ورودی‌های منفی نتایج نادرست برمی‌گرداند.
محدودیت عمق بازگشت: برای مقادیر بزرگ n، عمق بازگشت می‌تواند از محدودیت استاندارد پایتون فراتر رفته و باعث RecursionError شود.

راه‌حل‌ها

استفاده از حافظه‌سازی: ذخیره اعداد فیبوناچی محاسبه شده در حافظه نهان برای جلوگیری از محاسبات تکراری و بهبود کارایی.
مدیریت موارد حدی: افزودن بررسی برای n < 0 و برگرداندن پیام خطا یا مقدار پیش‌فرض مناسب.
تکرار به جای بازگشت: بازگشت اگرچه زیباست اما برای مجموعه داده‌های بزرگ ناکارآمد است. استفاده از حلقه برای محاسبه اعداد فیبوناچی و اجتناب از محدودیت عمق بازگشت.

کد بهینه‌سازی شده

روش 1: بازگشت با حافظه‌سازی

def fib(n, memo={}):
    if n < 0:
        raise ValueError("ورودی باید یک عدد صحیح غیر منفی باشد")
    if n <= 2:
        return 1
    if n in memo:
        return memo[n]
    memo[n] = fib(n-1, memo) + fib(n-2, memo)
    return memo[n]

روش 2: تکرار

def fib(n):
    if n < 0:
        raise ValueError("ورودی باید یک عدد صحیح غیر منفی باشد")
    if n <= 2:
        return 1
    
    a, b = 1, 1
    for _ in range(3, n+1):
        a, b = b, a + b
    return b

توضیح

بازگشت با حافظه‌سازی:
- از دیکشنری memo برای ذخیره اعداد فیبوناچی محاسبه شده استفاده می‌کند
- قبل از هر فراخوانی بازگشتی، memo را بررسی می‌کند و در صورت وجود نتیجه، مستقیماً آن را برمی‌گرداند
- برای ورودی‌های منفی ValueError پرتاب می‌کند
تکرار:
- از متغیرهای a و b برای ذخیره دو عدد فیبوناچی آخر استفاده می‌کند
- اعداد فیبوناچی را در یک حلقه از 3 تا n محاسبه می‌کند
- همچنین برای ورودی‌های منفی ValueError پرتاب می‌کند

خلاصه

کد بهینه‌سازی شده کارایی را بهبود می‌بخشد و موارد حدی را به درستی مدیریت می‌کند. هر دو روش حافظه‌سازی و تکرار تکنیک‌های بهینه‌سازی مؤثری هستند و انتخاب بین آنها به نیازمندی‌ها و سناریوهای خاص بستگی دارد.

کد تولید پاسخ

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com/",
    api_key="<YOUR_API_KEY>"
)

completion = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {
            "role": "user",
            "content": "کد بالا ناکارآمد است و موارد حدی را مدیریت نمی‌کند. لطفاً مشکلات و راه‌حل‌ها را توضیح دهید و کد را بهینه‌سازی کنید."
        }
    ]
)

print(completion.choices[0].message.content)