我遇到了一个算法问题，但是除了暴力方法之外我无法找到更好的解决方案，也无法将其转化为更好的已知问题。有什么提示吗？
有N个大小不同的袋子和N种物品。每种物品归属于一个袋子。每种物品都有许多个，并且每个物品的大小可能不同。最初，这些物品随机分布在所有袋子中。我们必须将物品放入它们所属的袋子。但是，我们只能通过交换物品对来一次操作两个袋子 (尽可能多的) 并继续进行下一步操作。目标是减少总对数。编辑：目标是找到一系列传输的顺序，以使涉及的袋子对的总数最小化
澄清：
袋子不是任意大的（如果有助于您，可以假设袋子和物品大小为0到1000之间的整数）。您经常会遇到两个袋子之间的所有物品由于其中一个袋子的有限容量而无法交换的情况。这就是算法需要进行优化的地方。也许，如果另一组袋子先交换，当前的交换可以一次完成。为了说明这一点，让我们考虑袋子A，B和C及其物品1，2，3，分别表示物品大小（括号中的数字）。
A(10)：3（8）
B(10)：1（2），1（3）
C(10)：1（4）
交换顺序可以是AB、AC、AB或AC、AB。后者是最优的，因为交换次数较少。
由于我无法想出一种总能找到最优解的算法，对于解的适应度（交换数量）的近似也是可接受的，因此我建议使用一种带剪枝的随机局部搜索算法。
给定一个随机的起始配置，该算法考虑所有可能的交换，并根据机会做出加权决策：交换越好，选择的可能性就越大。
一个交换的价值是物品交易的价值之和，如果物品没有放入其所属的袋子内，则交易的价值为零，否则为正值。随着物品尺寸的增加，价值会增加（这个想法是更大的块相对于较小的块来说，移动多次更加困难）。此适应度函数可以替换为任何其他适应度函数，在实际展示效率之前，这是未知的。
由于任何配置都可能是许多先前交换的结果，因此我们跟踪我们之前看过的配置，以及适应度（基于多少项在正确的袋子中 - 此适应度与一个交换的价值无关）和前面的交换列表。如果一个配置的适应度函数是在它们所属袋子中的物品数量之和，则问题中物品的数量是最高适应度（因此标记配置为解决方案）。
如果：
我们无法进行交换。当我们确定潜在的交换时，我们查看以前看过的配置列表（使用哈希函数进行O(1)查找）。然后我们将其先前的交换设置为我们的先前交换（如果我们的列表比它的列表短），或者将我们的先前交换设置为其列表（如果它的列表比我们的列表要短）。我们可以这样做，因为重要的是我们所做的交换数量尽可能少，而不是我们所做的是哪些交换。
如果在某个配置中没有更多可能的交换，那么这意味着您被卡住了。本地搜索会告诉您“重置”，您可以用各种方式来实现，例如：
