Algorithm 迭代列表以最大化唯一输出的最佳方式

我有一个列表，其中的内容是字符向量。例如：

yoda <- list(a=list(c("A","B","C"), c("B","C","D")), b=list(c("D","C"), c("B","C","D","E","F")))

目前，我刚刚得到了大量的嵌套循环，而且它似乎永远不会消失。下面是一段糟糕的代码：

res <- list()
for (a in 1:length(extra.pats[[1]])) {
  for (b in 1:length(extra.pats[[2]])) {
    for (c in 1:length(extra.pats[[3]])) {
      for (d in 1:length(extra.pats[[4]])) {
        for (e in 1:length(extra.pats[[5]])) {
          for (f in 1:length(extra.pats[[6]])) {
            for (g in 1:length(extra.pats[[7]])) {
              for (h in 1:length(extra.pats[[8]])) {
                for (i in 1:length(extra.pats[[9]])) {
                  for (j in 1:length(extra.pats[[10]])) {
                    for (k in 1:length(extra.pats[[11]])) {
                      res[[paste(a,b,c,d,e,f,g,h,i,j,k, sep="_")]] <- unique(extra.pats[[1]][[a]], extra.pats[[2]][[b]], extra.pats[[3]][[c]], extra.pats[[4]][[d]], extra.pats[[5]][[e]], extra.pats[[6]][[f]], extra.pats[[7]][[g]], extra.pats[[8]][[h]], extra.pats[[9]][[i]], extra.pats[[10]][[j]], extra.pats[[11]][[k]])
                    }
                  }
                }
              }
            }
          }
        }
      }
    }
  }
}

res这里有一个建议：

# create all possible combinations
comb <- expand.grid(yoda)

# find unique values for each combination
uni <- lapply(seq(nrow(comb)), function(x) unique(unlist(comb[x, ])))

# count the unique values
len <- lapply(uni, length)

# extract longest combination  
uni[which.max(len)]

[[1]]
[1] "A" "B" "C" "D" "E" "F"

#创建所有可能的组合
梳您当前的问题维度禁止彻底搜索。下面是一个次优算法的示例。虽然很简单，但也许你会发现它给了你“足够好”的结果

算法如下：

查看第一个列表：选择唯一值最多的项
查看第二个列表：选择除了在步骤1中已选择的项之外，还包含最多新唯一值的项
重复上述步骤，直到完成列表的末尾
守则：

good.cover <- function(top.list) {
    selection <- vector("list", length(top.list))
    num.new.unique <- function(x, y) length(setdiff(y, x))
    for (i in seq_along(top.list)) {
        score <- sapply(top.list[[i]], num.new.unique, x = unlist(selection))
        selection[[i]] <- top.list[[i]][which.max(score)]
    }
    selection
}

good.cover我的猜测是，如果你做一点研究，这是图论中一个众所周知的问题（我会使用“coverage”这样的关键字来搜索它）。这很可能是一个NP完全问题。意思：要么你的问题维度小到可以进行穷举搜索，要么你必须依赖次优算法来获得“足够好”的解决方案。如果你碰巧走上了“穷举搜索”路线，而你可能能够在某种程度上调整这种天真的for-loop方法，你可能最终会想研究类似于Rcpp的东西。你在全球范围内有多少唯一的值（例如，有多少是
length（unique）（unlist（lappy）（extra.pats，function（x）unique）（unlist（x kеее）
）？@flodel这是真的。对于此解决方案，实际列表可能太大。我已经尝试了此方法，但由于大小原因，expand.grid无法完成！
good.cover <- function(top.list) {
    selection <- vector("list", length(top.list))
    num.new.unique <- function(x, y) length(setdiff(y, x))
    for (i in seq_along(top.list)) {
        score <- sapply(top.list[[i]], num.new.unique, x = unlist(selection))
        selection[[i]] <- top.list[[i]][which.max(score)]
    }
    selection
}

items.universe <- apply(expand.grid(list(LETTERS, 0:9)), 1, paste, collapse = "")
random.length  <- function()sample(3:6, 1)
random.sample  <- function(i)sample(items.universe, random.length())
random.list    <- function(i)lapply(letters[1:12], random.sample)
initial.list   <- lapply(1:11, random.list)

system.time(final.list <- good.cover(initial.list))
#    user  system elapsed 
#   0.004   0.000   0.004