我有一个元素列表：A，B，C，......
然后，我创建多个依赖性列表，例如：B-> C-> H-> X，A-> C-> I
鉴于以前的信息，我想计算所有元素的依赖列表。
问题是，解决方案可能不会没有冲突（它们应该是罕见的！）。例如，给定那些列表：A-> B，B-> A，A-> B我想解决方案是A-> B，因为误差小于B-> A。 / p>
我考虑过以下算法：
- 计算公式1中的排名：每个列表都是一个种族，因此：第一个位置获得一定数量的点数，第二个位置获得更少，等等。问题是如何对这些点进行加权和标准化，......我不确定如何正确地做到这一点。
- 也许就像网球的ATP评分一样;）然而，更多的事情最终导致更多的重量，这并没有给出好的结果。因为例如：A-> C，A-> C，A-> C，A-> B，B-> C应该导致A-> B-> C. ATP算法可能给C排名很高，因此解决方案可能是A-> C-> B，这不是我想要的。
- 存储O（n ^ 2）关系和出现次数。例如，给定该列表：A-> B-> C，存储A-> B（1），A-> C（1），B-> C（1）。然后，如果添加第二列表：B-> C，则结果数据将是A-> B（1），A-> C（1），B-> C（2）。使用这些信息，计算排名。我认为这样我可以获得最完整的信息，现在问题是“仅”来计算所有元素的依赖列表:)缺点当然是你必须存储的数据量。
我个人最喜欢的是最后一个，但由于复杂性，我非常犹豫。我真的想要一个简单的算法和O（n）数据存储。这就是为什么我在这里问，希望有更好的解决方案或一些意见。
更新
- 所选择的依赖项并非完全随机。它比随机投票更严格。实际上，依赖关系应该收敛到冲突很少的单一解决方案。因此，箭头的不可能性定理在这里不适用于100％（thx @Heuster）
- 预期元素数量：小于100
- 预期的列表数量：随着时间的推移缓慢增长，小于1000
- 依赖项列表的最大长度：小于100
- 所有元素都包含在列表中
中