向量的最小子集，使得其和的每个分量都大于某个阈值
假设我们有一个长度为n的向量的有限集S，这些向量具有正实数值和正实数t。我想找到S的最小子集M，以使向量之和的每个分量都大于t。
例如，如果我遇到以下问题，
t = 10
S = [[8, 2], [5, 5], [4, 3], [3, 9]]
最优解由两个向量组成
M = [[8, 2], [3, 9]]
因为
[8, 2] + [3, 9] = [11, 11] > [10, 10]
并且没有单个矢量的每个分量都大于10。不一定有一个唯一的最佳子集，也没有一个完全满足标准的子集。
在我看来，这个问题可能与整数线性编程有关，但似乎不符合其标准格式。可能是问题是NP Hard，所以我也希望尝试近似解决方案的算法。
1 个答案:
答案 0 :(得分：1)
在我看来，这个问题可能与整数线性有关 编程，但似乎不符合其标准格式
我认为可以将其简单地实现为MIP模型：
此处x(i)指示是否选择了向量i。
数据和结果如下所示：
---- 33 PARAMETER t = 10
---- 33 PARAMETER S
j1 j2
i1 8 2
i2 5 5
i3 4 3
i4 3 9
---- 33 VARIABLE x.L select vectors
i1 1, i4 1
---- 33 VARIABLE numSelected.L = 2
为了测试，我还产生了一个更大的问题：
---- 29 PARAMETER t = 100.000
---- 29 PARAMETER S
j1 j2 j3 j4 j5 j6 j7 j8 j9 j10
i1 1.717 8.433 5.504 3.011 2.922 2.241 3.498 8.563 0.671 5.002
i2 9.981 5.787 9.911 7.623 1.307 6.397 1.595 2.501 6.689 4.354
i3 3.597 3.514 1.315 1.501 5.891 8.309 2.308 6.657 7.759 3.037
i4 1.105 5.024 1.602 8.725 2.651 2.858 5.940 7.227 6.282 4.638
i5 4.133 1.177 3.142 0.466 3.386 1.821 6.457 5.607 7.700 2.978
i6 6.611 7.558 6.274 2.839 0.864 1.025 6.413 5.453 0.315 7.924
i7 0.728 1.757 5.256 7.502 1.781 0.341 5.851 6.212 3.894 3.587
i8 2.430 2.464 1.305 9.334 3.799 7.834 3.000 1.255 7.489 0.692
i9 2.020 0.051 2.696 4.999 1.513 1.742 3.306 3.169 3.221 9.640
i10 9.936 3.699 3.729 7.720 3.967 9.131 1.196 7.355 0.554 5.763
i11 0.514 0.060 4.012 5.199 6.289 2.257 3.961 2.760 1.524 9.363
i12 4.227 1.347 3.861 3.746 2.685 9.484 1.889 2.975 0.746 4.013
i13 1.017 3.839 3.241 1.921 1.124 5.966 5.114 0.451 7.831 9.457
i14 5.965 6.073 3.625 5.941 6.799 5.066 1.593 6.569 5.239 1.244
i15 9.867 2.281 6.757 7.768 9.325 2.012 2.971 1.972 2.463 6.465
i16 7.350 0.854 1.503 4.342 1.869 6.927 7.630 1.548 3.894 6.954
i17 8.458 6.127 9.760 0.269 1.874 0.871 5.404 1.269 7.340 1.132
i18 4.884 7.956 4.920 5.336 0.106 5.439 4.511 9.753 1.838 1.635
i19 0.246 1.778 0.613 0.166 8.357 6.017 0.270 1.961 9.507 3.355
i20 5.943 2.592 6.406 1.552 4.600 3.933 8.055 5.410 3.907 5.578
i21 9.328 3.488 0.083 9.488 5.719 3.336 9.837 7.665 1.101 9.948
i22 5.803 1.664 6.434 3.443 9.123 9.001 0.163 3.686 6.644 5.934
i23 0.346 8.418 9.321 5.080 2.996 4.966 0.449 7.737 5.330 7.468
i24 7.201 6.316 1.149 9.712 7.067 9.863 8.548 6.214 7.013 7.009
i25 7.907 6.102 0.543 4.852 0.525 6.986 1.948 2.260 8.136 9.917
i26 7.507 7.183 0.006 2.639 8.238 8.195 8.604 2.127 4.568 0.384
i27 3.230 4.399 3.153 1.348 8.110 4.168 1.418 4.655 2.830 8.957
i28 0.644 4.146 3.416 4.683 6.427 6.436 3.376 1.008 9.058 2.174
i29 9.189 4.518 0.899 3.742 4.150 4.042 1.117 7.511 8.034 0.237
i30 4.809 2.786 9.016 0.176 6.810 9.509 9.002 8.988 8.745 3.910
i31 5.042 8.313 6.021 0.822 5.778 5.932 6.838 1.588 3.318 3.159
i32 5.199 3.638 1.678 6.831 5.054 5.762 7.198 6.837 0.198 8.398
i33 7.100 1.555 6.107 6.616 1.944 3.635 6.239 7.314 4.140 1.575
i34 0.125 0.102 9.520 9.767 9.663 8.563 1.416 0.497 5.530 1.840
i35 9.942 8.091 3.062 0.874 4.305 3.497 1.173 5.860 4.455 4.123
i36 9.145 2.138 2.242 5.423 6.311 3.274 1.488 9.291 2.510 0.626
i37 3.101 0.402 8.212 2.310 4.100 3.026 4.449 7.160 5.932 1.312
i38 1.612 3.156 5.721 2.687 0.364 6.864 6.746 3.321 7.599 1.768
i39 6.825 6.730 8.312 5.152 2.830 5.554 4.140 0.734 8.060 3.327
i40 0.847 5.722 0.221 7.420 9.051 5.608 4.728 7.176 5.130 8.871
i41 7.715 1.401 2.645 6.826 4.498 9.655 9.579 8.992 3.275 4.571
i42 5.962 8.786 1.707 6.336 7.716 5.694 0.277 8.110 2.789 4.333
i43 3.363 5.886 5.744 5.434 5.782 9.772 3.215 7.630 9.625 9.490
i44 2.559 3.249 2.148 1.740 7.313 2.702 7.585 6.174 2.910 7.407
i45 0.078 8.665 0.151 4.283 3.586 7.049 4.159 5.498 3.450 6.996
i46 9.335 4.693 2.136 5.108 3.657 9.354 0.680 5.039 3.924 2.049
i47 5.295 5.891 3.458 2.529 5.477 5.475 0.583 3.777 9.741 3.798
i48 1.563 4.723 3.970 2.055 6.273 0.035 5.040 0.022 5.214 8.361
i49 0.721 7.606 2.901 2.449 4.360 3.688 5.534 0.747 9.094 0.487
i50 8.204 7.930 6.595 3.918 4.132 8.657 9.753 5.724 3.140 4.550
i51 3.710 4.198 0.853 8.145 5.092 7.344 8.244 4.145 9.244 3.941
i52 4.443 6.955 6.767 5.715 1.735 6.043 5.860 7.278 2.462 1.421
i53 8.912 4.428 1.143 9.036 3.339 9.960 4.645 5.305 1.904 1.991
i54 6.449 7.991 5.864 9.716 4.911 3.725 8.272 8.209 0.313 9.252
i55 0.031 6.180 0.067 4.056 6.563 6.155 2.634 0.704 0.460 1.603
i56 4.525 1.689 5.716 8.587 0.359 3.554 3.379 4.865 2.594 8.912
i57 8.493 6.345 9.865 7.579 5.079 7.678 8.321 5.839 5.751 5.567
i58 6.036 9.771 5.541 9.350 4.132 8.064 0.008 4.553 4.192 0.157
i59 0.820 5.988 5.552 6.180 8.851 1.899 4.281 1.665 8.863 6.765
i60 8.633 0.928 9.965 6.168 0.008 6.089 1.737 3.112 7.289 0.847
i61 4.420 6.591 4.845 3.182 9.140 1.842 8.721 4.561 4.589 1.241
i62 1.038 2.349 3.402 8.731 8.448 8.229 4.805 9.138 9.293 1.081
i63 3.506 8.600 3.405 2.131 9.264 3.607 8.760 1.481 4.560 2.683
i64 2.968 1.155 3.998 9.118 2.516 1.030 1.463 3.863 0.464 0.264
i65 1.540 0.727 8.286 3.998 4.172 9.721 2.434 3.620 6.303 2.429
i66 1.011 4.059 4.791 1.449 5.097 8.853 0.555 5.074 7.641 9.790
i67 7.204 8.719 2.995 7.539 8.438 4.682 6.549 3.781 3.589 2.545
i68 2.555 4.506 9.449 3.355 0.485 8.065 7.326 9.200 3.316 2.098
i69 0.471 8.830 0.928 8.369 4.638 0.002 1.566 7.050 2.803 6.356
i70 5.800 9.621 5.142 5.903 5.675 0.299 9.689 5.938 0.596 5.441
i71 1.274 4.205 8.814 7.166 3.136 9.930 0.553 6.191 8.044 2.966
i72 9.589 6.948 6.314 6.160 5.230 1.410 8.367 8.921 6.965 3.118
i73 3.558 7.611 1.364 7.166 9.637 4.419 2.645 4.442 3.967 3.669
i74 6.213 8.597 7.550 9.008 4.380 0.691 9.386 8.440 9.504 5.794
i75 0.352 4.074 0.574 5.320 1.124 8.938 2.417 6.422 2.908 8.136
i76 1.861 5.007 9.388 6.816 1.852 8.729 1.650 4.308 7.717 9.781
i77 9.445 2.488 8.865 8.844 9.649 7.491 6.476 7.484 5.232 6.861
i78 6.911 8.656 7.958 2.176 5.896 9.226 6.029 0.357 9.111 5.650
i79 3.248 3.901 2.993 2.190 8.217 1.527 9.505 0.319 7.345 1.105
i80 4.878 3.610 2.164 9.237 4.500 9.711 0.963 4.789 7.222 4.332
i81 1.582 1.007 8.055 3.987 1.171 8.744 1.449 1.777 5.452 4.686
i82 9.092 7.231 1.664 3.276 5.813 5.775 6.276 0.267 1.294 0.641
i83 3.111 5.785 8.098 6.792 7.357 3.386 2.242 9.000 8.294 3.162
i84 9.522 2.567 6.261 9.713 9.621 4.253 1.054 0.771 6.441 3.122
i85 5.952 6.064 6.337 9.582 0.823 1.254 6.052 7.415 8.475 3.525
i86 6.414 8.957 3.882 2.734 9.704 3.462 4.096 9.399 6.029 8.995
i87 2.847 2.222 5.748 5.095 5.575 3.442 3.983 7.762 0.282 3.624
i88 7.558 4.749 0.762 0.975 3.297 2.006 0.908 4.488 4.628 8.120
i89 4.500 9.543 1.226 4.066 8.864 7.032 8.749 5.551 2.556 2.592
i90 3.551 1.369 8.071 3.260 4.288 0.090 2.243 6.607 2.874 1.311
i91 4.071 1.616 8.618 3.777 8.886 2.700 7.774 4.228 4.299 2.491
i92 3.818 0.710 7.156 7.029 0.702 9.685 2.700 3.181 8.834 5.862
i93 3.821 9.730 6.708 9.511 7.183 4.436 8.797 4.698 4.639 3.714
i94 1.183 9.654 8.435 7.213 9.644 3.646 7.683 3.325 5.421 1.384
i95 3.137 0.799 9.342 4.943 6.789 6.916 0.547 2.402 8.827 1.006
i96 6.784 1.014 0.428 7.535 9.870 0.148 1.469 9.910 1.322 0.854
i97 1.859 7.902 8.645 7.479 3.895 7.950 6.210 7.614 5.803 6.636
i98 0.821 5.669 4.432 3.283 3.306 1.229 6.179 5.339 1.441 3.923
i99 0.148 8.708 2.455 8.032 0.840 9.872 5.583 6.819 8.596 5.867
i100 0.395 9.129 5.425 2.210 9.256 7.928 7.394 6.777 5.012 4.311
---- 29 VARIABLE x.L select vectors
i24 1, i30 1, i42 1, i43 1, i50 1, i54 1, i57 1, i72 1, i74 1, i76 1, i77 1, i78 1, i83 1
i84 1, i86 1, i93 1, i97 1
---- 29 VARIABLE numSelected.L = 17
此模型仍在1秒内解决。我敢肯定，存在更大的实例将变得更加难以解决。但是MIP求解器通常会很快找到好的解决方案，因此从某种意义上讲，MIP模型也可以用作启发式方法：只是更早停止（在证明最优性之前）。
相关问题
最新问题
- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？