拿出11条数据
//条件
每个位置(position)的人数限制
每队(team)人数不能超过7人
credits的总和在100分之内(包含100)
总分(points)最高
//位置人数限制
position-1 : 1 position-2 : 3-5 position-3 : 1-3 position-4 : 3-5
//模拟数据
{
points credits position team
56 9.0 1 t1
54 9.1 2 t1
35 8.0 2 t2
32 8.0 3 t1
20 8.5 1 t2
18 9.0 3 t2
16 9.1 2 t2
15 8.0 3 t2
13 7.0 3 t1
10 8.5 4 t2
7 9.0 4 t2
5 8.0 2 t1
4 7.0 3 t1
3 8.5 4 t1
2 9.0 3 t1
1 8.5 4 t2
0 9.0 3 t2
0 8.5 4 t1
0 9.0 3 t2
0 8.5 4 t1
0 9.0 3 t1
0 8.5 4 t2
... ... ... ...
}
这个和背包问题有点类似啊,首先包容量是 100,即
credits <= 100
。其次拿到的所有数据的Sum(points)
最大。光这两点就和背包问题非常相似。背包问题是这样描述的:
有一个背包,背包容量是
M=150
。有7个物品,物品可以分割成任意大小。要求尽可能让装入背包中的物品总价值最大,但不能超过总容量。背包问题求解使用了贪心算法,其中贪心策略是:每次选取单位重量价值最大的物品。
你这里类比一下,贪心策略是:每次选取单位
credits
points
最大的记录,即points / credits
最大的记录。在选取过程中需要注意一些条件:
Team
选择的次数小于等于7position
的限制credits
达到100,则停止credits
先达到100,则考虑一种置换策略。补充:
貌似贪心好像不行,换种思路,用回溯的方法去考虑:
首先,对所有记录按照
points
倒序排序,构建一个搜索空间树,树高为11。所以原问题就变成了搜索树的最佳路径的问题。每次选取points
最大的记录,向下搜索时,可以根据条件过滤掉没有必要的分支。每一步搜索时必须满足一下条件:Team
选择的次数小于等于7。position
的限制。Sum(points) <= 100
。一旦搜索路径上不满足上述条件,则回溯,到另一个分支继续搜索。所以整个是一个递归的过程。
补充:
用回溯算法实现了下,代码放在github,用几个测试用例简单的测试了下,都是正确的,效率不是很高,你自己优化一下,下面是我的输出:
如果正确,望采纳