多关联列表约束下最优状态索引的选取方案如何实现？

多条件最优索引选择方案 #

分两种业务场景给出对应方案：

场景1：三个属性绑定同索引（默认场景，即每个索引对应的三个值属于同一条记录，不可跨索引拆分组合） #

这种场景直接使用多属性效用评分法即可，实现步骤简单且可解释性强：

1. 属性归一化：消除三个属性的量纲差异，把所有值映射到0-1区间，得分越高代表该属性表现越优
   • list1升序最优：归一化公式 = (list1最大值 - 当前值) / (list1最大值 - list1最小值)
   • list2降序最优：归一化公式 = (当前值 - list2最小值) / (list2最大值 - list2最小值)
   • list3升序最优：归一化公式 = (list3最大值 - 当前值) / (list3最大值 - list3最小值)
2. 权重配置：根据业务中三个属性的重要程度设置权重w1、w2、w3，三个权重之和为1，若三个属性同等重要可统一设为1/3
3. 总得分计算：对每个索引i计算总得分 = w1*list1归一化得分 + w2*list2归一化得分 + w3*list3归一化得分
4. 最优选择：总得分最高的索引即为全局最优解

示例实现代码（Python）

import numpy as np

# 原始嵌套列表数据
raw_data = [
    ["array1",0.1,100,0.04], ["array2",0.4,220,0.02], ["array3",0.2,145,0.3],
    ["array4",0.6,246,0.06], ["array5",0.8,170,0.08], ["array6",0.3,120,0.5],
    ["array7",0.5,190,1.1], ["array8",0.9,286,0.4]
]
list1 = np.array([item[1] for item in raw_data])
list2 = np.array([item[2] for item in raw_data])
list3 = np.array([item[3] for item in raw_data])

# 各属性归一化
norm_list1 = (list1.max() - list1) / (list1.max() - list1.min())
norm_list2 = (list2 - list2.min()) / (list2.max() - list2.min())
norm_list3 = (list3.max() - list3) / (list3.max() - list3.min())

# 配置权重（可根据业务需求调整）
w1, w2, w3 = 1/3, 1/3, 1/3

# 计算每个索引的总得分
total_scores = w1 * norm_list1 + w2 * norm_list2 + w3 * norm_list3

# 取得分最高的索引
best_idx = np.argmax(total_scores)
print(f"全局最优索引为{best_idx}，对应记录为{raw_data[best_idx][0]}，总得分{total_scores[best_idx]:.3f}")

按同等权重计算，示例数据的最优索引为1，对应array2，总得分约0.864。

场景2：允许跨索引拆分属性（即三个属性可独立选择不同索引的值，无绑定关系） #

这种属于多目标优化问题，可通过帕累托最优筛选解决：

1. 枚举所有可能的索引组合（示例数据总共有8*8*8=512种组合，数据量小的情况下可直接暴力枚举）
2. 筛选帕累托最优解：判断每个组合是否满足「不存在另一个组合在三个属性上都不比当前组合差，且至少有一个属性更优」，满足条件的即为帕累托最优解
3. 最终选择：所有帕累托最优解都是非劣解，可根据你的权重偏好从中选择最终方案
   如果候选数量大，可替换为遗传算法、模拟退火等启发式算法快速求解近似最优解，避免全量枚举的性能问题。

内容的提问来源于stack exchange，提问作者fasiloo