def optimal_scale_selection(S): m = len(C) queue = Queue(2,3,5) # 创建一个队列对象，用于储存待处理的尺度 visited = {} # 创建一个空字典，记录以及访问过的尺度 lj = [item.copy() for item in C] # 新列表lj,其中的元素是变量C中的每一个元素 K = tuple(lj) # 将列表换成元组 queue.put(K) # 将元组K放入队列中 visited[K] = True # 将元组K添加到字典中，并将其值设置为True，表示该尺度已经被访问 while not queue.empty(): # 当队列不为空时，循环 K = queue.get() # 从队列中获得一个尺度，并赋值给K if PosCK(D) == U: return K # 返回当前的尺度k for j in range(m): if lj[j] > 1: # lj 中索引为 j 的元素大于 1，则执行以下操作。 lj[j] -= 1 # 将列表 lj 中索引为 j 的元素减去 1 K = tuple(lj) # 将更新后的列表 lj 转换为一个元组 K。 if K not in visited: # 如果元组 K 不在 visited 字典中， queue.put(K) # 元组K放入字典中 visited[K] = True # 将元组 K 添加到 visited 字典中，并将其值设置为 True，表示该尺度已被访问 lj[j] += 1 # 将列表 lj 中索引为 j 的元素加上 1。 print([K]) return None修改并完善该代码，使我输入 一致的多尺度决策表时，能够输出最优尺度组合。并翻译每一行修改后的代码

def optimal_scale_selection(S):
m = len(S) # 获取决策表的尺度个数

queue = Queue() # 创建一个队列对象，用于储存待处理的尺度
visited = {} # 创建一个空字典，记录已经访问过的尺度

lj = [item.copy() for item in S] # 创建一个新列表lj，其中的元素是决策表S中的每一个元素
K = tuple(lj) # 将列表lj转换为元组K

queue.put(K) # 将元组K放入队列中
visited[K] = True # 将元组K添加到字典中，并将其值设置为True，表示该尺度已经被访问

while not queue.empty(): # 当队列不为空时，循环
K = queue.get() # 从队列中获取一个尺度，并赋值给K
if PosCK(D) == U:
return K # 返回当前的尺度K

for j in range(m):
if lj[j] > 1: # 如果列表lj中索引为j的元素大于1，则执行以下操作。
lj[j] -= 1 # 将列表lj中索引为j的元素减去1
K = tuple(lj) # 将更新后的列表lj转换为一个元组K。

if K not in visited: # 如果元组K不在visited字典中，
queue.put(K) # 将元组K放入队列中
visited[K] = True # 将元组K添加到visited字典中，并将其值设置为True，表示该尺度已被访问
lj[j] += 1 # 将列表lj中索引为j的元素加上1。
print([K])

return None

# 修改并完善该代码，使得当输入一致的多尺度决策表时，能够输出最优尺度组合，并翻译每一行修改后的代码