因此,我必须生成单项式的 vector 。这是我对任意顺序最多进行3维处理的方法:

#include <iostream>
#include <vector>
using namespace std;

int main() {
    int dim = 3;
    int order = 2;
    std::vector<std::vector<int>> powers;

    for (int ord = 0; ord <= order; ord++) {
        if (dim == 1) {
            powers.push_back({ord});
        } else if (dim == 2) {
            for (int i = 0; i < ord + 1; i++) {
                powers.push_back({i, ord - i});
            }
        } else if (dim == 3) {
            for (int i = 0; i < ord + 1; i++) {
                for (int j = 0; j < ord + 1 - i; j++) {
                    powers.push_back({i, j, ord - i - j});
                }
            }
        } else if (dim == 4){
            for (int i = 0; i < ord + 1; i++) {
                for (int j = 0; j < ord + 1 - i; j++) {
                    for (int k = 0; k < ord + 1 - i - j; k++) {
                        powers.push_back({i, j, k, ord - i - j - k});
                    }
                }
            }
        } else {
            // "Monomials of dimension >= 4 not supported."
        }
    }
    cout << "Finished!" << endl;
    return 0;
}

现在,我的目标是支持N个维度和第N个单项式订单。关于如何将上面的代码扩展到N维空间的任何想法?
我没有一种简单的方法可以在上面实现。我当时正在考虑使用组合运算法,并以某种方式消除多余的术语,但是我不确定速度。

编辑(预期输出):
对于给定的order = 2dim = 3输入,预期的输出是(按此顺序不是必需的):
000
001
002
010
011
020
100
101
110
200

对于order = 1dim = 3:
000
001
010
100

以及order = 2dim = 2:
00
01
10
11
02
20

最佳答案

这是经典的递归函数:

每次您必须选择当前变量x_1的顺序(让我说i),然后您将拥有度数为ord的单项式的所有可能性-i在n -1变量上。

(有效的)代码如下:

   std::vector<std::vector<int>> getAllMonomials(int order, int dimension) {
    std::vector<std::vector<int>> to_return;
    if (1 == dimension) {
        for (int i = 0 ; i <= order; i++){
            to_return.push_back({i});
        }
        return to_return;
    }

    for (int i = 0 ; i <= order; i++) {
        std::vector<std::vector<int>> all_options_with_this_var_at_degree_i = getAllMonomials(order - i, dimension - 1);
        for (int j = 0; j < all_options_with_this_var_at_degree_i.size(); j++) {
            all_options_with_this_var_at_degree_i.at(j).insert(all_options_with_this_var_at_degree_i.at(j).begin(), i);
        }
        to_return.insert(to_return.end(), all_options_with_this_var_at_degree_i.begin(), all_options_with_this_var_at_degree_i.end());

    }
    return to_return;
}

10-06 15:08