Python 如何在多个列中找到和K最接近的N个数?
我试图解决一个优化问题,其中包括寻找,子集和问题的最优解,但是,我们需要找到一个解决方案,其中每列的和最接近每列的唯一数字。另一个限制是,它应该是表中只有45行的总和 我已经尝试过使用Bruteforce,但它只会耗尽系统资源。从我对这个问题的理解来看,这是背包问题的一个子集,叫做子集和问题,但我想在多个列上做这件事 为了更好地说明这个问题Python 如何在多个列中找到和K最接近的N个数?,python,algorithm,optimization,knapsack-problem,subset-sum,Python,Algorithm,Optimization,Knapsack Problem,Subset Sum,我试图解决一个优化问题,其中包括寻找,子集和问题的最优解,但是,我们需要找到一个解决方案,其中每列的和最接近每列的唯一数字。另一个限制是,它应该是表中只有45行的总和 我已经尝试过使用Bruteforce,但它只会耗尽系统资源。从我对这个问题的理解来看,这是背包问题的一个子集,叫做子集和问题,但我想在多个列上做这件事 为了更好地说明这个问题 Label | Weight | Parameter 1 | Parameter 2 | Parameter 3 Item1 | 12 |
Label | Weight | Parameter 1 | Parameter 2 | Parameter 3
Item1 | 12 | 13 | 91 | 24
Item2 | 76 | 12 | 10 | 14
Item3 | 43 | 11 | 34 | 35
Item4 | 23 | 16 | 11 | 10
Item5 | 23 | 40 | 14 | 12
Item6 | 83 | 70 | 11 | 40
Item7 | 22 | 11 | 41 | 20
我只想找到3行,
参数1之和最接近30参数2之和最接近于60 参数3之和最接近70 请注意,这是一个带有示例值的示例表 这是一个家庭作业问题,我已经花了很多时间试图解决它。我知道这是一个优化问题,主要是背包问题的边缘问题,我应该用动态规划来解决它,但我不知道如何在多个约束而不是一个约束条件下解决它。我已经研究过多维背包,但不知道怎么做
一个Jupyter笔记本解释如何做会有很大的帮助你说的是背包问题,但有几个特点:
- 你不想找到一个精确的和,但最接近的结果的值李>
- 问题是多方面的李>
- 这个数字不一定是正数李>
- 你没有提供距离
K
的子集,并选择最接近的和。这是蛮力,但动态规划可能有助于输出子集并计算总和
正如评论中指出的,您首先必须定义最接近的
的含义。也就是说,定义一个距离。例如,欧几里德距离非常常见:
def d(p1, p2, p3):
return p1*p1 + p2*p2 + p3*p3
让我们从文件中提取数据,更准确地说,是最后三个值(参数1、2、3)和行的索引:
DATA = """Label | Weight | Parameter 1 | Parameter 2 | Parameter 3
Item1 | 12 | 13 | 91 | 24
Item2 | 76 | 12 | 10 | 14
Item3 | 43 | 11 | 34 | 35
Item4 | 23 | 16 | 11 | 10
Item5 | 23 | 40 | 14 | 12
Item6 | 83 | 70 | 11 | 40
Item7 | 22 | 11 | 41 | 20"""
import io
import csv
f = io.StringIO(DATA)
reader = csv.reader(f, delimiter='|')
next(reader) # skip the header
L = [tuple([int(v) for v in row[-3:]] + [i]) for i, row in enumerate(reader)]
# [(13, 91, 24, 0), (12, 10, 14, 1), (11, 34, 35, 2), (16, 11, 10, 3), (40, 14, 12, 4), (70, 11, 40, 5), (11, 41, 20, 6)]
现在,设置行数K
和目标T
(三元组)
这是动态规划,因此我们需要存储中间结果list\u by\u triplet\u by_k
是嵌套dict的列表:
的索引是使用的行数(我们对dict
感兴趣,但需要计算其他值)K
- 外部dict的键是“参数1”的和李>
- 第一个嵌套dict的键是“参数2”的和李>
- 第二个嵌套dict的键是“参数3”的和李>
- 该值是已使用行的列表
list\u by\u triplet\u by_k
。如果有0行,则为-T
list_by_triplet_by_k = [{} for _ in range(N)]
list_by_triplet_by_k[0] = {-T[0]: {-T[1]: {-T[2]: [(-T[0], -T[1], -T[2], "target")]}}}
让我们构建子集。基本上,我们使用动态规划构建了一个由K+1
树组成的森林:
best = None
ret = []
for a, b, c, i in L:
for k in range(0, K):
list_by_triplet = list_by_triplet_by_k[k]
for u in list_by_triplet.keys():
for v in list_by_triplet[u].keys():
for w in list_by_triplet[u][v]:
if (a, b, c, i) not in list_by_triplet[u][v][w]: # 0/1
list_by_triplet_by_k[k+1].setdefault(a+u, {}).setdefault(b+v, {})[c+w] = list_by_triplet[u][v][w] + [(a, b, c, i)]
# compute the best match on the fly at the end (not a very useful optimization, but why not?):
list_by_triplet = list_by_triplet_by_k[K-1]
for u in list_by_triplet.keys():
for v in list_by_triplet[u].keys():
for w in list_by_triplet[u][v]:
if (a, b, c, i) not in list_by_triplet[u][v][w]: # 0/1
cur = d(u+a, v+b, w+c)
if best is None or cur < best:
best = cur
ret = list_by_triplet[u][v][w] + [(a, b, c, i)]
备注:
- 请参阅以获取信息,但我认为它在任何假设距离下都不起作用
- 有可能通过一些额外的假设来修剪可能性之树
Min(abs(sum(Param1)-30)+abs(sum(Param2)-60)+abs(sum(Param3)-70))
,或者可能Min(sqr(sum(Param1)-30)+sqr(sum(Param2)-60)+sqr(sum(Param3)-70))
,或者其他的东西。
best = None
ret = []
for a, b, c, i in L:
for k in range(0, K):
list_by_triplet = list_by_triplet_by_k[k]
for u in list_by_triplet.keys():
for v in list_by_triplet[u].keys():
for w in list_by_triplet[u][v]:
if (a, b, c, i) not in list_by_triplet[u][v][w]: # 0/1
list_by_triplet_by_k[k+1].setdefault(a+u, {}).setdefault(b+v, {})[c+w] = list_by_triplet[u][v][w] + [(a, b, c, i)]
# compute the best match on the fly at the end (not a very useful optimization, but why not?):
list_by_triplet = list_by_triplet_by_k[K-1]
for u in list_by_triplet.keys():
for v in list_by_triplet[u].keys():
for w in list_by_triplet[u][v]:
if (a, b, c, i) not in list_by_triplet[u][v][w]: # 0/1
cur = d(u+a, v+b, w+c)
if best is None or cur < best:
best = cur
ret = list_by_triplet[u][v][w] + [(a, b, c, i)]
print (best, ret)
# 227 [(-30, -60, -70, 'target'), (12, 10, 14, 1), (11, 34, 35, 2), (16, 11, 10, 3)]