我将详细描述一个约束优化解决方案，使其可行但不提供代码。
首先Option 指定student、gift 和rank。所以每个愿望清单指定 3 个Options。此外，如果student 或gift 是None，则表示匹配失败。在实现它的类上有一个__hash__ 方法会很有帮助，这样它就可以在set 对象中使用。
您将需要以下global 数据结构：
-
student_options：学生，Options 他们有什么。
-
gift_options：礼物，Options 他们有什么。
-
assignment：哪些学生得到哪些礼物。
-
score：有多少人得到了他们的第一个、第二个、第三个或没有选择的列表。从[0, 0, 0, 0] 开始。 （你会更新，所以列表是有意义的。）
-
best_assignment: 迄今为止找到的最佳作业。以{} 开头
-
best_score：目前找到的最好成绩。从(0, 0, 0, 0) 开始。 （你只替换，所以我更喜欢这里的元组。）
-
action_stack：一个数组，我会解释它的用途。
现在，如果您使用递归，则必须不断复制这些数据结构以进行更改。这是缓慢而浪费的。因此，我将描述一种基于显式堆栈的方法。
这个想法是有一个action_stack。每个action 将有一个do 和一个option。其中do 是一个函数。那么我们程序的主体看起来像：
while 0 < len(action_stack):
action = action_stack.pop()
action.do(action.payload)
而Action 本身就很简单。
class Action:
def __init__(self, do, option):
self.do = do
self.option = option
我们为什么要这样做？这是因为我们现在可以通过调用一个函数来做一些事情，或者我们可以选择稍后通过附加到action_stack 来做。所以我们可以编辑数据结构，并堆叠一个动作来撤消我们的编辑。
以下是您需要按字母顺序执行的操作。
-
add_option：将选项添加到student_options 和gift_options。如有必要，创建键/值对。跳过None 值。
-
assign：将该礼物分配给该学生并适当调整分数。
-
analyze：这是“弄清楚要做出/发现什么结论”的核心。将描述更多。
-
choose：对于与该选项（包括其自身）共享学生/礼物的不同选项，将add_option 附加到action_stack，实际上删除该选项，然后将analyze 和assign 附加到action_stack 到确保我们先assign，然后再analyze。
-
remove_option：从student_options 和gift_options 中删除选项。如有必要，删除键/值对。
-
unassign：撤消作业，并适当调整分数。
这里是 choose 的一个实现来展示样式。
def choose(option):
global action_stack
found = set()
for options in (student_options.get(option.student, []), gift_options(option.gift, [])):
for o in options:
found.add(o)
for o in found:
remove_option(o)
action_stack.append(Action(add_option, o))
action_stack.append(Action(analyze, None))
action_stack.append(Action(assign_option, option))
换句话说，我们实际上清除了与我们所做的选择相关的所有选项，确保我们将替换它们，确保我们将analyze 并确保我们将assign。
这意味着接下来我们分配。然后analyze 一堆选项消失了。然后当我们回溯堆栈时，我们将撤消我们所做的。
好的，这给我们留下了analyze 的巨大黑匣子。它如何工作？这个想法是我们寻找强制的结论，如果我们找到它们，我们就会得出结论并再试一次。如果我们无法找到我们可以做出的最少选择并递归搜索。如果我们没有找到解决方案，请看看它是否是最好的。
我们关注的强制性结论是，如果礼物是某人最想要的，那么该礼物永远不会送给不想要的人。 （它可能会送给其他人，但绝不会送给想要它的人。）
在伪代码中它是这样工作的。
remove_options = []
for each student:
for their most desired option:
all lower ranked options on its gift to into remove_options
if 0 < len(remove_options):
# Note, sets are useful for calculating distinct.
for distinct option in removed_options:
remove_option(option)
action_stack.append(Action(add_option(option))
action_stack.append(Action(analyze, None))
else:
find smallest non-empty option group from students, gifts
if group found:
for option in group:
action_stack.append(Action(choose, option))
elif best_score < tuple(score):
best_score = tuple(score)
best_assignment = assignment.copy()
好的，我们差不多完成了。有了所有这些机器，代码是如何工作的？思路是这样的。
action_stack = [Action(analyze, None)]
for wishlist_item in wishlists:
action_stack.append(Action(add_option(option from wishlist_item)))
for student in students:
# This assumes ranks go from 0..2 for wanted gifts so 3 is for unwanted
action_stack.append(Action(add_option(student, None, 3)))
for gift in gifts:
# This assumes ranks go from 0..2 for wanted gifts so 3 is for unwanted
action_stack.append(Action(add_option(None, gift, 3)))
while 0 < len(action_stack):
action = action_stack.pop()
action.do(action.option)
Fix up assignment to assign unwanted presents to those who don't have presents.
show assignment
祝你好运！