SQL中的组合优化匹配
我在SQL中开发匹配算法时遇到问题。我有一个表SQL中的组合优化匹配,sql,algorithm,db2,combinatorics,Sql,Algorithm,Db2,Combinatorics,我在SQL中开发匹配算法时遇到问题。我有一个表主题。其中每一个都需要与表控件中相同数量的行相匹配(为了解决这个问题,我们假设需要为每个主题选择两行或两个控件)。所选控件的位置必须完全匹配,并且所选控件在match_字段中的值应尽可能接近受试者 以下是一些示例数据: subject_id control_id location match_field_diff 1 12 1 30 1 13 1
主题
。其中每一个都需要与表控件中相同数量的行相匹配(为了解决这个问题,我们假设需要为每个主题选择两行或两个控件)。所选控件的位置必须完全匹配,并且所选控件在match_字段
中的值应尽可能接近受试者
以下是一些示例数据:
subject_id control_id location match_field_diff
1 12 1 30
1 13 1 50
2 78 2 160
2 79 2 250
3 17 1 30
3 11 1 80
表格主题:
id location match_field
1 1 190
2 2 2000
3 1 100
表控件:
id location match_field
17 1 70
11 1 180
12 1 220
13 1 240
14 1 500
15 1 600
16 1 600
10 2 30
78 2 1840
79 2 2250
以下是样本数据的最佳结果:
subject_id control_id location match_field_diff
1 12 1 30
1 13 1 50
2 78 2 160
2 79 2 250
3 17 1 30
3 11 1 80
它变得很棘手,因为,例如,控件11与主题1最接近。然而,在最佳溶液中,对照品11与受试者3相匹配
我相信这个问题的答案接近于“正确”的解决方案。然而,受试者和对照组的数量并不相同,也不会使用所有的对照组(我有几千名受试者和几百万名潜在的对照组)
无需获得绝对最优结果;一个相当好的近似值对我来说很好
似乎应该有一个很好的基于集合的解决方案来解决这个问题,但我想不出怎么做。以下代码仅根据位置为每个主题分配相等数量的控件:
select * from (
select subject.id,
control.id,
subject.location,
row_number() over (
partition by subject.location
order by subject.id, control.id
) as rn,
count(distinct control.id) over (
partition by subject.location
) as controls_in_loc
from subjects
join controls on control.location = subject.location
)
where mod(rn,controls_in_loc+1) = 1
但是,我不知道如何添加模糊匹配组件。我使用的是DB2,但如果您使用的是其他东西,则可以将算法转换为DB2
提前感谢您的帮助
更新:我确信SQL不是适合这项工作的工具。然而,为了确定(因为这是一个有趣的问题),我提供了一个悬赏,看看是否有一个可行的SQL解决方案。它需要是一个基于集合的解决方案。它可以使用迭代(多次循环同一查询以获得结果),但迭代次数需要远远小于大型表的行数。它不应该在表中的每个元素上循环,也不应该使用游标。我建议您看看的问题和算法。其思想是构建一个图,其中左侧的节点是主题
,右侧的节点是控件
(这就是为什么称为二部)。构建图形非常简单,您可以创建一个连接到所有主题的源
节点,并将所有控制节点连接到一个接收器
节点。然后在主题
和控件
节点之间创建一条边(如果适用)。然后运行最大匹配算法,该算法将为您提供所需的内容,即主题和控件的最大可能匹配
确保检查如何操作,您只需构建图形并调用BGL函数edmonds_maximum_cardinality_matching
尽管匈牙利算法将起作用,但在您的案例中可以使用更简单的算法。隐式成本矩阵是一种特殊形式的对称矩阵:
ABS(SUBJ.match_field-CTRL.match_field)
因此,您可以相对容易地证明,在按subc.match\u字段
排序的优化赋值{subci,CTRLj}中,CTRL.match\u字段
的值也将被排序
<强>证明:考虑一个赋值{Visti,Ctrl j},该命令由<代码> Suj.MatCHYField排序,该命令不是由<代码> Ctrl . MatCHiField排序的。然后至少有一个反转,即一对赋值{subci1,CTRLj1}和{subci2,CTRLj2},这样
sub.match\u字段
i1
sub.match\u字段i2,但是
CTRL.match\u字段
j1>CTRL.match\u字段
j2
然后,您可以用一个非反转对替换反转对
{subci1,CTRLj2}和{subci2,CTRLj1}
成本小于或等于sub.match_字段
(i1,i2)和CTRL.match_字段
(j1,j2)()的所有六个相对位置的反向赋值成本:证明
有了这一观察结果,很容易证明下面的算法得出了最优分配:
- 制作每个主题的
副本;订单依据N
匹配\u字段
- 按
匹配字段排序控制
- 准备一个大小为
N*subject.size的空数组
assignments
- 准备一个空的2D数组
,大小为mem
byN*受试者.size
for;将所有元素设置为control.size
-1
- 调用下面的伪代码中定义的递归赋值
表现在包含每个受试者assignments
的i
作业,其位置介于N
和N*i
之间N*(i+1)
上面的调用假设
主题
和控件
都已按位置过滤,并且在调用之前,N
主题的副本已插入到表值参数中(对于DB2,则插入temp表)
以下是。为什么在最佳解决方案中,控制11(180)与受试者2(2000)而不是受试者1(190)相匹配?@phalum,哎呀,这是一个输入错误。更正,谢谢。@dan1111。如果有一个简单的基于集合的解决方案,我会感到惊讶。SQL是非常确定的。很难想象如何告诉一个控件分配给一个不是最近的主题。不过,这个问题很有趣。你能简单描述一下这个应用于现实世界的问题吗?@GordonLinoff,这是一项科学研究,从数据库中创建一个匹配的对照组。我向你保证,在使用有限数量子查询的单个
SELECT
查询中,没有办法做到这一点!最简单的方法是寻找未加权的最大匹配i
CREATE TYPE SubjTableType AS TABLE (row int, id int, match_field int)
CREATE TYPE ControlTableType AS TABLE (row int, id int, match_field int)
CREATE PROCEDURE RecAssign (
@subjects SubjTableType READONLY
, @controls ControlTableType READONLY
, @sp int
, @cp int
, @subjCount int
, @ctrlCount int
) AS BEGIN
IF @sp = @subjCount BEGIN
RETURN 0
END
IF 1 = (SELECT COUNT(1) FROM #MemoTable WHERE sRow=@sp AND cRow=@cp) BEGIN
RETURN (SELECT best FROM #MemoTable WHERE sRow=@sp AND cRow=@cp)
END
DECLARE @res int, @spNext int, @cpNext int, @prelim int, @alt int, @diff int, @sId int, @cId int
SET @spNext = @sp + 1
SET @cpNext = @cp + 1
SET @sId = (SELECT id FROM @subjects WHERE row = @sp)
SET @cId = (SELECT id FROM @controls WHERE row = @cp)
EXEC @prelim = RecAssign @subjects=@subjects, @controls=@controls, @sp=@spNext, @cp=@cpNext, @subjCount=@subjCount, @ctrlCount=@ctrlCount
SET @diff = ABS((SELECT match_field FROM @subjects WHERE row=@sp)-(SELECT match_field FROM @controls WHERE row=@cp))
SET @res = @prelim + @diff
IF 1 = (SELECT COUNT(1) FROM #Assignments WHERE sRow=@sp) BEGIN
UPDATE #Assignments SET cId=@cId, sId=@sId, diff=@diff WHERE sRow=@sp
END
ELSE BEGIN
INSERT INTO #Assignments(sRow, sId, cId, diff) VALUES (@sp, @sId, @cId, @diff)
END
IF @cp+1+@subjCount-@sp < @ctrlCount BEGIN
EXEC @alt = RecAssign @subjects=@subjects, @controls=@controls, @sp=@sp, @cp=@cpNext, @subjCount=@subjCount, @ctrlCount=@ctrlCount
IF @alt < @res BEGIN
SET @res = @alt
END
ELSE BEGIN
UPDATE #Assignments SET cId=@cId, sId=@sId, diff=@diff WHERE sRow=@sp
END
END
INSERT INTO #MemoTable (sRow, cRow, best) VALUES (@sp, @cp, @res)
RETURN @res
END
-- The procedure uses a temporary table for memoization:
CREATE TABLE #MemoTable (sRow int, cRow int, best int)
-- The procedure returns a table with assignments:
CREATE TABLE #Assignments (sRow int, sId int, cId int, diff int)
DECLARE @subj as SubjTableType
INSERT INTO @SUBJ (row, id, match_field) SELECT ROW_NUMBER() OVER(ORDER BY match_field ASC)-1 AS row, id, match_field FROM subjects
DECLARE @ctrl as ControlTableType
INSERT INTO @ctrl (row, id, match_field) SELECT ROW_NUMBER() OVER(ORDER BY match_field ASC)-1 AS row, id, match_field FROM controls
DECLARE @subjCount int
SET @subjCount = (SELECT COUNT(1) FROM subjects)
DECLARE @ctrlCount int
SET @ctrlCount = (SELECT COUNT(1) FROM controls)
DECLARE @best int
EXEC @best = RecAssign
@subjects=@subj
, @controls=@ctrl
, @sp=0
, @cp=0
, @subjCount=@subjCount
, @ctrlCount=@ctrlCount
SELECT @best
SELECT sId, cId, diff FROM #Assignments