所以我最近对一般的算法非常着迷。我最近实现了一个蚁群优化算法来解决 TSP（显然很有趣）。现在我一直在寻找其他要解决的“问题”。现在我想实现一个算法来解决一个涉及满足百分比要求的问题，并且低于任意限制。
例如：
用户输入：
1) 限制 - 即可以花费的能量。
2）“染色体”类型 - 即蓝色（子类型 - 靛蓝等），红色（子类型 - 栗色等），黄色（子类型 - 浅黄色等） - 每个主要属性（如蓝色）都有一个“池”可供选择由不同的亚型组成，如靛蓝、浅蓝色、海蓝色等等。-每种颜色的子类型都有与之相关的不同成本。
3）“理想”解决方案所需的类型百分比（可以引入 +/- % 以允许更多种类）。-即 10% 红色、30% 蓝色、60% 黄色。
输出：
1) 满足这两个要求的可能最终解决方案，低于 - 但接近 - 所需成本并满足超类型的百分比要求。
举个例子。
这是一个超级简单的例子，显然它实际上会比这更复杂。
用户指定成本应如下 95 <= cost <= 105。
用户选择 25% 蓝色、25% 黄色、50% 红色。有 +/- 5% 的偏差
每种颜色的可用池
蓝色： 靛蓝：成本 = 25；海蓝：成本=30；海军蓝：成本 = 75；
黄色： 浅黄色：成本=20；深黄色：成本=30；超深黄色（笑）：成本= 75；
红色： 栗色：成本 = 20；血红色：成本= 45；亮红色：成本 = 55；
所以算法会运行并返回不同的组合。
组合1：靛蓝、深黄、血红：成本=100：蓝色=25%，黄色=30%，红色=55%。
组合2：海蓝、浅黄、血红：成本=105：蓝色=~30%，黄色=~20%，红色=~50%
组合3：依此类推。
编辑：第二次编辑
输出将由一组不同的组合组成。
例如，一种解决方案可能包含以下组合：
一种解决方案可以这样表示：
组合1：成本=20；50% 蓝色，25% 黄色，25% 红色；
组合2：成本=30；10% 蓝色，50% 黄色，40% 红色；
组合3：成本=50；25% 蓝色、25% 黄色、50% 红色；
解：=（组合1，组合2，组合3）总成本=100，由x%蓝色，y%黄色，z%红色组成；
将解决方案与需求进行比较，如果关闭则保留它，如果不丢弃它。
结束编辑
所以我的问题是。我知道遗传算法会起作用。但是 ACO 的实施是否也能奏效？例如，蓝色、黄色和红色将等于“位置”，那么它们的子类型将代表不同的“道路”。
只是想知道什么可能是更有效的解决方案，或者可能是完全不同的算法。我对这些东西很陌生，一个多星期前才开始阅读它。
编辑：第一次编辑
我想指定我想要 5 个好的唯一解决方案（5 是任意数字，可能是 3，可能是 20）。