KDB/q基于输出精度的累加实现：爬山算法迭代问询

先明确你已实现的两个函数（如果你的实现逻辑不同，替换成自己的即可）：

// 精度计算函数：返回0-1的匹配度，值越接近1说明列表和与目标越匹配
calculateAccuracy:{[lst; target]
    1 - abs[sum lst - target] % target  // 基于相对误差的精度计算，可按需调整
}

// 单值调整函数：随机修改列表中一个元素的值
changeOneNumber:{[lst]
    idx: rand count lst;
    // 示例：随机给选中元素±1，可替换为你的调整逻辑（比如按比例增减）
    lst[idx] +: (rand 2) * 2 - 1;
    lst
}

主爬山函数实现 #

下面是包含迭代对比、阈值调整、进度记录的核心函数：

hillClimb:{[initLst; target; maxIters:1000; threshold:0.05]
    // 初始化当前状态
    currentLst: initLst;
    currentAcc: calculateAccuracy[currentLst; target];
    // 初始化进度记录表：存储每轮迭代的关键信息
    progress: ([] iter:(); acc:(); sumLst:(); accepted:());

    // 执行指定次数迭代
    do[maxIters;
        // 生成新列表并计算其精度
        newLst: changeOneNumber[currentLst];
        newAcc: calculateAccuracy[newLst; target];

        // 判断是否接受新列表：要么精度更高，要么触发5%的随机跳出阈值
        accept: newAcc > currentAcc or rand 1.0 < threshold;

        // 更新当前最优状态
        $[accept;
            currentLst: newLst;
            currentAcc: newAcc;
            ;  // 不接受则保持原状态
        ];

        // 追加当前迭代进度到记录表
        progress,: (enlist count progress; enlist currentAcc; enlist sum currentLst; enlist accept);
    ];

    // 返回最终结果：最优列表、最终精度、完整迭代进度
    (currentLst; currentAcc; progress)
}

调用示例 #

// 测试：初始列表[1,2,3]，目标和为10，执行1000次迭代
result: hillClimb[1 2 3; 10; 1000; 0.05];

// 提取结果
finalLst: result[0];    // 最终调整后的列表
finalAcc: result[1];    // 最终匹配精度
progressLog: result[2]; // 所有迭代的进度记录

// 查看前5条进度记录
5#progressLog

关键逻辑说明 #

• 当前与新列表对比：通过currentAcc和newAcc的数值大小直接判断精度优劣，优先保留精度更高的列表。
• 5%阈值规避局部最优：每次迭代生成0-1的随机数，若小于0.05则强制接受新列表，哪怕精度更低，以此跳出局部最优解的陷阱。
• 迭代进度记录：用KDB/q的表结构progress存储每轮的迭代次数、当前精度、列表和、是否接受新值，通过,:操作符实现记录的累加。

内容的提问来源于stack exchange，提问作者mmv456