Algorithm 最小粗糙度换行的近似算法
我正在寻找一种有效的算法（理想情况下，类似C的伪代码）来为下面的分区问题提供近似的解决方案。给定一个序列S={a_i:i=1，…，n}和一个界B，确定将S划分为若干m个连续子序列，如下所示。对于每个k，设s_k是第k个子序列的元素之和。分区必须满足：Algorithm 最小粗糙度换行的近似算法,algorithm,partitioning,word-wrap,Algorithm,Partitioning,Word Wrap,我正在寻找一种有效的算法（理想情况下，类似C的伪代码）来为下面的分区问题提供近似的解决方案。给定一个序列S={a_i:i=1，…，n}和一个界B，确定将S划分为若干m个连续子序列，如下所示。对于每个k，设s_k是第k个子序列的元素之和。分区必须满足： 苏克≤ B对于每个k（假设B和a_i的值总是可能的） m是最小的（没有较小的分区满足#1） 在大小为m的所有分区中，分散度的某些度量（例如，s_k之间的方差或最大成对差异）是最小的 我知道，这是密切相关的。我正在寻找一种可以为n（小于15）的小值提
我知道，这是密切相关的。我正在寻找一种可以为n（小于15）的小值提供“足够好”的解决方案，而不需要像动态规划那样拿出沉重的弹药，但也可以找到比暴力略快的解决方案。让我们表示所有项的总和，让n表示项数。如果在m行上安装项目，则每行上至少有S/m重量。因为S/m&leq；B、 你得到了m&geq；S/B。我将从天花板（S/B）开始，作为m的值，然后将m增加1，直到找到解决方案
当m被设置，n被给定时，这只是一个递归搜索正确边界的问题。您可以一个接一个地（递归地）猜测线之间的边界，并在解决方案变得不可行时回溯。如果您找到了一个解决方案，您可以将其存储起来以供参考，因为它可能是最佳的分散方式。最终你会选择最好的解决方案。如果没有解，则将m增加1并重做。让我们表示所有项的总和，让n表示项数。如果在m行上安装项目，则每行上至少有S/m重量。因为S/m&leq；B、 你得到了m&geq；S/B。我将从天花板（S/B）开始，作为m的值，然后将m增加1，直到找到解决方案
当m被设置，n被给定时，这只是一个递归搜索正确边界的问题。您可以一个接一个地（递归地）猜测线之间的边界，并在解决方案变得不可行时回溯。如果您找到了一个解决方案，您可以将其存储起来以供参考，因为它可能是最佳的分散方式。最终你会选择最好的解决方案。如果没有解决方案，那么将m增加1并重做。我最后做了一个简单的回溯搜索。首先，我按照antti.huima的描述计算了m（这一部分非常简单，并且固定了m）。然后我贪婪地分配项目（尽可能按顺序打包每个分区）。最后，我运行了一个回溯算法，从最后一个分区开始，为每个分区边界的开始索引分配一个增量。每个delta_j表示将分区j的起点从贪婪开始位置向后移动多远。不难看出0是1（否则贪婪算法的行为会有所不同）。与填充从1到m的分区的搜索相比，这大大减少了搜索空间
我想这种搜索的某种启发式变体是可能的，而且会更有效，但我并没有很努力地找到它。我最后做了一个简单的回溯搜索。首先，我按照antti.huima的描述计算了m（这一部分非常简单，并且固定了m）。然后我贪婪地分配项目（尽可能按顺序打包每个分区）。最后，我运行了一个回溯算法，从最后一个分区开始，为每个分区边界的开始索引分配一个增量。每个delta_j表示将分区j的起点从贪婪开始位置向后移动多远。不难看出0是1（否则贪婪算法的行为会有所不同）。与填充从1到m的分区的搜索相比，这大大减少了搜索空间
我想这种搜索的某种启发式变体是可能的，而且会更有效，但我并没有尽力找到一种。所以你想要介于“最小长度”和“最小粗糙度”之间的东西？如果你想最小化
mm