Arrays 从R中至少具有最小差异的数组中拾取随机元素的最佳方法

我想从一个数组中随机选择一定数量的元素，这些元素的相互距离总是有一个限制。

---

例如，有一个向量

a我认为在某种意义上保证随机性的最佳解决方案可能是：

选择一个随机元素
删除所有与该图元过近的图元
选择另一个元素
返回到2
因此：

minu dist我认为在某种意义上保证随机性的最佳解决方案可能是：

选择一个随机元素
删除所有与该图元过近的图元
选择另一个元素
返回到2
因此：

min_dist如果您想避免命中和未命中方法，您必须将问题转化为距离采样，并对距离总和进行约束

基本上，我是如何翻译你想要的：你的N个采样位置相当于N+1距离，范围从最小距离到向量-N*心智者的大小（你所有的样本都打包在一起的情况）。然后需要将距离之和限制为1000（向量的大小）

在这种情况下，解决方案将使用来自代理包（请参阅）的代理：：RandVec，它允许使用固定和进行采样

library(Surrogate)
a <- seq(1,1000)
mind <- 15
N <- 20
dist <- Surrogate::RandVec(a=mind, b=(1000-(N)*mind), s=1000, n=(N+1), m=1, Seed=sample(1:1000, size = 1))$RandVecOutput
pos <- cumsum(round(dist))[1:20]
pos

> pos
 [1]  22  59  76 128 204 239 289 340 389 440 489 546 567 607 724 773 808 843 883 927

库（代理）
a如果您想避免命中和未命中方法，您必须将问题转化为距离采样，并限制距离总和

基本上，我是如何翻译你想要的：你的N个采样位置相当于N+1距离，范围从最小距离到向量-N*心智者的大小（你所有的样本都打包在一起的情况）。然后需要将距离之和限制为1000（向量的大小）

在这种情况下，解决方案将使用来自代理包（请参阅）的代理：：RandVec，它允许使用固定和进行采样

library(Surrogate)
a <- seq(1,1000)
mind <- 15
N <- 20
dist <- Surrogate::RandVec(a=mind, b=(1000-(N)*mind), s=1000, n=(N+1), m=1, Seed=sample(1:1000, size = 1))$RandVecOutput
pos <- cumsum(round(dist))[1:20]
pos

> pos
 [1]  22  59  76 128 204 239 289 340 389 440 489 546 567 607 724 773 808 843 883 927

库（代理）
a这个问题在python中类似，但在我看来，它缺少随机化过程：一个解决方案是，如果您有一个类似于
a
的范围，则在最后一个选择中添加一个随机数：
picked[i]感谢您的测试！！看起来dash2的答案在大多数情况下都更快，分布也更平滑（与我的答案相比，使用dash2的答案，位置的历史图非常平坦）。我认为距离分布应该是这样的，峰值应该是1000/20=50。通过位置分布图（应该是平的）更容易检查。我还添加了这个分析，看起来你是对的；）这个问题在python中类似，但在我看来，它缺少随机化过程：一个解决方案是，如果您有一个类似于
a
的范围，则在最后一个选择中添加一个随机数：
picked[i]感谢您的测试！！看起来dash2的答案在大多数情况下都更快，分布也更平滑（与我的答案相比，使用dash2的答案，位置的历史图非常平坦）。我认为距离分布应该是这样的，峰值应该是1000/20=50。通过位置分布图（应该是平的）更容易检查。我还添加了这个分析，看起来你是对的；）如我的编辑所示，你的答案是最快和最可靠的。谢谢！只需做一点小小的更改，就可以确保在最后一次运行时不会调用
stop
。这太棒了！谢谢，我也更新了我的答案评论：）如我的编辑所示，你的答案是最快和最可靠的。谢谢！只需做一点小小的更改，就可以确保在最后一次运行时不会调用
stop
。这太棒了！谢谢，我还更新了我的答案评论：）
pa <- ggplot() + theme_classic() +
  geom_density(aes_string(x = dist_vec), fill = 'lightgreen') +
  geom_vline(aes_string(xintercept = mean(dist_vec)), col = 'darkred') + xlab('Distances')
pb <- ggplot() + theme_classic() +
  geom_density(aes_string(x = dist_vec2), fill = 'lightgreen') +
  geom_vline(aes_string(xintercept = mean(dist_vec)), col = 'darkred') + xlab('Distances')
print(pa)
print(pb)

comp_times <- microbenchmark::microbenchmark(
  'solution_1' = rand_pick_min(a, md, np),
  'solution_2' = rand_pick_min2(a, md, np),
  times = 500
)
ggplot2::autoplot(comp_times); ggsave('stckoverflow2.png')

min_dist <- 15
a <- seq(1, 1000)
picked <- integer(20)
copy <- a
for (i in 1:20) {
  stopifnot(length(copy) > 0)
  picked[i] <- sample(copy, 1)
  copy <- copy[ abs(copy - picked[i]) >= min_dist ]
}

library(Surrogate)
a <- seq(1,1000)
mind <- 15
N <- 20
dist <- Surrogate::RandVec(a=mind, b=(1000-(N)*mind), s=1000, n=(N+1), m=1, Seed=sample(1:1000, size = 1))$RandVecOutput
pos <- cumsum(round(dist))[1:20]
pos

> pos
 [1]  22  59  76 128 204 239 289 340 389 440 489 546 567 607 724 773 808 843 883 927