我有兴趣以最大化相邻元素(循环)之间差异的平方和的方式重新排序列表。这是一段 Python 代码,它在阶乘时间内暴力破解解决方案,因此您可以明白我的意思:
def maximal_difference_reorder(input):
from itertools import permutations
best_sum = 0
best_orderings = []
for x in permutations(input):
d = np.sum(np.diff(x)**2) + (x[0] - x[-1])**2
if d > best_sum:
best_orderings = [x]
best_sum = d
elif d == best_sum:
best_orderings.append(x)
return best_orderings
这会为 maximal_difference_reorder(range(4))
产生以下结果:
[(0, 2, 1, 3),
(0, 3, 1, 2),
(1, 2, 0, 3),
(1, 3, 0, 2),
(2, 0, 3, 1),
(2, 1, 3, 0),
(3, 0, 2, 1),
(3, 1, 2, 0)]
如你所见,所有的结果都是循环旋转,相互反射。如果分数是由差值之和决定的,而不是平方,我相信所有的排列都会得到均匀的分数,给定一个均匀间隔的输入。
暴力破解效果很好,但 O(n!) 很糟糕,那么是否有可能在更小的渐近计算时间内做到这一点?如果它适用于不均匀的输入网格或其他评分函数,则可加分。
顺便说一句,这不是家庭作业或面试问题,尽管它可能是一个很好的问题。相反,我试图为一系列参数化数据生成一系列颜色,并且我试图避免彼此相邻的相似颜色。
最佳答案
您的问题是 Traveling Salesman Problem 的一个稍微伪装的实例.
调用输入列表c
(对于“城市”)。选择任何 M
是 (c[i]-c[j])**2
的上限 这很容易在线性时间内完成,因为最小值和最大值列表的 可以在单次通过中计算,在这种情况下 M = (max - min)**2
有效。通过以下方式定义从 c[i]
到 c[j]
的距离 d[i,j]
:
d(i,j) = 0 if i == j else M - (c[i]-c[j])**2
很容易看出,对于任何循环排列,该排列的成本(根据 d
计算)是 n*M - 差的平方和
因此它当且仅当差异的平方和最大化时,它才被最小化。
解决 TSP 的方法有很多种。尽管它是 NP-hard,但在实践中,最先进的方法非常擅长解决实践中出现的问题。此外,好的启发式方法通常可以达到最优值的百分之几。
您的特定问题是 TSP 的特例。因此,这种特殊情况可能更容易,并且实际上有一个多项式时间解,但我对此表示怀疑。我猜想它也是 NP-hard 但没有证据。另外——即使它是 NP 难的,也可能有一种解决方案(可能是整数规划公式)比将其简化为上述 TSP 更有效。
关于编辑:根据 Dave Gavin 的评论和@SergeBallesta 的回答,我现在认为多项式时间算法是可能的。我会留下这个答案,如果除了多项式时间算法有效之外没有其他原因,那么这个问题将是一个很好的例子,表明 TSP 的某些子类有更简单的解决方案。
关于python - 重新排序列表以最大化相邻元素的差异,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34154324/