假设我们有一家香水店，有100种不同的香水。
假设有10,000位顾客，每种香水都有一到五颗星。
让我们说问题是：“如何最好地构建一包5种香水，以便95％的顾客至少给其中一种香水评价4+”
如何通过算法进行此操作？
注意：我可以看到即使问题也没有正确形成;不能保证这种结构甚至存在。在两个参数之间进行权衡。
注意：另外，（这使香水类比变得有点人为），无论我们得到一个好的比赛还是三个好比赛都没关系。所以{4.3,0,0,0,0}相当于{4.3,4.2,4.2,4.2,4}} - 在这两种情况下得分都是4.3。
让我们说，为了论证的目的，香水0-19是甜的，香水20-39是酸的，等等（sim。盐，苦，unami）
因此0-19之间会有很高的互相关。
如果你用空间中的100个点建模，那么0-19会非常强烈地相互吸引，它们会组成一个簇。
同样地，你会得到其他四种口味的4个其他群集。
因此，仅从一个指标中，我们就分出了5种不同的口味。
但这种技术是否会扩展？
π
PS只是提供相关技术的名称将非常有用，因为这将允许我向谷歌提供进一步的信息。因此，任何只能在行业认可的术语中重申问题的答案都会有用！答案 0 :(得分：2)
该算法应找到问题的解决方案：
在需要获得满足标准的选择时进行回溯。
答案 1 :(得分：1)
真正的问题是NP难，但你可以使用贪心算法：
这会自动处理味道聚集：一个给甜味香水留下高分的顾客将会被最受欢迎的香水所满足，和他将从C中被击出，所有他的进一步收视率忽略，算法将继续满足其他客户。
另外，你应该注意到即使你不能满足五种香水的必要条件（95％，4 +），香水的相似性也会确保这种算法最大化覆盖范围和标记 - 所以你可能最终得到比方说，（93％，3.9）。
另外，假设有10％的用户没有给出任何高于3的分数。没有办法你可以满足95％的客户，因为总数的10％最多只有3％满足的。您可能希望与实际确实至少提供4+评级的客户构建C.
或者您可以更改算法而不是问题中的算法，决定使用背包：您想要获得最高累积评级。这也提高了客户对整体包装感到满意的可能性（因为他几乎保证非常喜欢一个香水，但他可能非常不喜欢其他四个）。