python – 背包问题(经典)

2019-06-30 19:46:38 阅读：450 来源： 互联网

所以我必须为课堂解决背包问题.到目前为止,我已经提出了以下建议.我的比较器是确定两个主题中哪一个将是更好选择的函数(通过查看相应的(值,工作)元组).

我决定用低于maxWork的工作迭代可能的主题,并且为了找到哪个主题是任何给定回合的最佳选项,我将我最近的主题与我们尚未使用的所有其他主题进行比较.

def greedyAdvisor(subjects, maxWork, comparator):
    """
    Returns a dictionary mapping subject name to (value, work) which includes
    subjects selected by the algorithm, such that the total work of subjects in
    the dictionary is not greater than maxWork.  The subjects are chosen using
    a greedy algorithm.  The subjects dictionary should not be mutated.

    subjects: dictionary mapping subject name to (value, work)
    maxWork: int >= 0
    comparator: function taking two tuples and returning a bool
    returns: dictionary mapping subject name to (value, work)
    """

    optimal = {}
    while maxWork > 0:
        new_subjects = dict((k,v) for k,v in subjects.items() if v[1] < maxWork)
        key_list = new_subjects.keys()
        for name in new_subjects:
            #create a truncated dictionary
            new_subjects = dict((name, new_subjects.get(name)) for name in key_list)
            key_list.remove(name)
            #compare over the entire dictionary
            if reduce(comparator,new_subjects.values())==True:
                #insert this name into the optimal dictionary
                optimal[name] = new_subjects[name]
                #update maxWork
                maxWork = maxWork - subjects[name][1]
                #and restart the while loop with maxWork updated
                break
    return optimal

问题是我不知道为什么这是错的.我收到错误,我不知道我的代码在哪里出错(即使在抛出print语句之后).非常感谢帮助,谢谢！

解决方法:

与OPT相比,使用简单的贪婪算法不会对解决方案的质量提供任何限制.

这是一个完全多项式时间(1 – epsilon)* OPT近似伪背包的背包：

items = [...]  # items
profit = {...} # this needs to be the profit for each item
sizes = {...}  # this needs to be the sizes of each item
epsilon = 0.1  # you can adjust this to be arbitrarily small
P = max(items) # maximum profit of the list of items
K = (epsilon * P) / float(len(items))
for item in items:
    profit[item] = math.floor(profit[item] / K)
return _most_prof_set(items, sizes, profit, P)

我们现在需要定义最有利可图的集合算法.我们可以通过一些动态编程实现这一点.但首先让我们来看看一些定义.

如果P是集合中最赚钱的项目,而n是我们拥有的项目数量,那么nP显然是允许的利润的微不足道的上限.对于{1,…,n}中的每个i和{1,…,nP}中的p,我们让Sip表示项目的子集,其总利润正好为p,其总大小最小化.然后我们让A(i,p)表示集合Sip的大小(如果它不存在则为无穷大).我们可以很容易地证明A(1,p)对于{1,…,nP}中的所有p值都是已知的.我们将定义一个计算A(i,p)的重复,我们将用它作为动态编程问题,返回近似解.

A(i + 1, p) = min {A(i,p), size(item at i + 1 position) + A(i, p - profit(item at i + 1 position))} if profit(item at i + 1) < p otherwise A(i,p)

最后我们给出_most_prof_set

def _most_prof_set(items, sizes, profit, P):
    A = {...}
    for i in range(len(items) - 1):
        item = items[i+1]
        oitem = items[i]
        for p in [P * k for k in range(1,i+1)]:
            if profit[item] < p:
                A[(item,p)] = min([A[(oitem,p)], \
                                     sizes[item] + A[(item, p - profit[item])]])
            else:
                A[(item,p)] = A[(oitem,p)] if (oitem,p) in A else sys.maxint
    return max(A)

Source

标签：python,knapsack-problem
来源： https://codeday.me/bug/20190630/1339419.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

python – 背包问题(经典)