有谁知道一种将数字均匀分配到一定数量的容器中，以确保容器的总值尽可能均匀的方法？
编辑：“尽可能”是指每个容器的总数如果以X数量的容器分布，将接近总平均值。
现在，我只是对数字数组进行排序（降序），然后将其值忽略不计的分布到容器中。分布在三个容器中的一组1000、200、20、1000将等于[2000]，[200]，[20]。
我想做的是：
Example Set of numbers: 10 30 503 23 1 85 355 If I were to distribute these into three containers I would just pick the highest first and then distribute them as I go, like this: Cont 1 = 503 Cont 2 = 355 Cont 3 = 85 + 30 + 23 + 10 + 1 This will give the best possible distribution that you can get with the values provided.
但是我不知道有一种巧妙的方式可以在代码中表达这一点。
有想法吗？
您是否拥有大型数据集，并且对象大小差异很大，并且您 必须 找到最佳解决方案的铸铁要求？如果是这样，这是不现实的。
但是好消息是，在理论上，许多在理论上都是NP完全的问题非常容易！如果您的数据点数量相对较少，那么您可能可以进行智能（但仍然很彻底）搜索并找到全局最佳解决方案。
此外， 如果 您的数据集表现良好 ，则值的差异很小 ，那么您可能会很快发现适用于所有容器的方法。如果是这样，那么这显然是最好的答案。即使在非常大的数据集上，也可以很好地工作。（我认为您想要的是一个包含许多小值的数据集，这些数据可以用来轻松地整理事物。）
所以，不要放弃！首先，对数据进行排序，并考虑从最大到最小的数据点。在每个阶段，将下一个值分配给当前最小的容器。这可能不会在所有情况下都为您提供最佳解决方案，但是在实践中可能是相当合理的。
整理1000, 200, 20, 1000，会给你的1000, 1000, 200, 20。然后，该算法将为您提供：
1000, 200, 20, 1000
1000, 1000, 200, 20
1000 = 1000 1000 = 1000 200 +20 = 220
碰巧这是最佳解决方案，但并非总是如此。
====
如果您愿意并且能够尝试更复杂的算法，请查找分区问题：
尽管分区问题是NP完全的，但是仍然存在伪多项式时间动态规划解决方案，并且在许多情况下都有启发式方法可以最优或近似地解决该问题。因此，它被称为“最简单的难题”。 存在分区问题的优化版本，该优化问题是将多集S划分为两个子集S1，S2，以使S1中元素之和与S2中元素之和之间的差异最小。
尽管分区问题是NP完全的，但是仍然存在伪多项式时间动态规划解决方案，并且在许多情况下都有启发式方法可以最优或近似地解决该问题。因此，它被称为“最简单的难题”。
存在分区问题的优化版本，该优化问题是将多集S划分为两个子集S1，S2，以使S1中元素之和与S2中元素之和之间的差异最小。
