问题的描述
我们先根据一个贪心算法的经典应用实例,然后给出贪心算法的实现步骤与关键环节,最后给出C++代码求解0-1背包问题。
背包问题(Knapsack Problem):有 N 件物品有一个承重(也可受限于体积)为
C 的背包,每件物品具有二维属性,分别是重量属性 wi,i=1,…,N ,和价值属性 pi,i=1,…,N ,求解将哪几件物品装入背包可使这些物品在重量不超过 C 的情况下价值总和最大。背包问题给我们提供了一个模型,由此我们可以求解货箱装载问题。这一问题隐含了一个条件,每个物品只有一件,也就是要么不选取(UNCHOSEN,0),要么选取(CHOSEN,1),因此又称为0-1背包问题。
贪心算法的基本设计思想有以下三个步骤:
建立对问题精确描述的数学模型,包括定义最优解的模型。
显然本题,就是重量不超过
C 条件下的价值最大maxW(n)s.t.∑iCi≤C将问题分解为一系列子问题,同时定义子问题的最优解结构
贪心算法的关键环节,将问题分解为后续的一个一个的子问题。本例而言,就是在(根据一定的标准)选定一个物品(重量为 wi )的情况下,在余下的物品中选择下一个物品此时的问题的条件是重量不超过 C′:=C−wi 。
maxW(n):=wi+W(n−1)s.t.∑j∖iwj≤C−wi引用相应的贪心原则(比如重量最轻,价值最高,性价比最高)确定每个子问题的局部最优解(上文所说的 Ci ),并根据最优解的模型,用子问题的局部最优解堆叠出全局最优解。
下面我们来看这一具体的实例,
- C=150 , 最大承重
- wi=[35,30,60,50,40,10,25] ,每个物品的重量
- pi=[10,40,30,50,35,40,10] ,每个物品的价格
关键在于子问题的定义,本例,我么可以将子问题定义为,在选取某一物品( wi )放入背包以后,在背包容量还有 C′:=C−wi 的情况下,选择下一个物品放入背包。
如何选择每一次子问题的所需确定的物品呢?这正是贪心策略的选择问题了。对于本题,常见的贪婪策略有三种,
根据物品价值选择,每次都选价值最高的物品
[4, 2, 6, 5]-> 130(总重量),165(价值)
根据物品重量选择,每次都选最轻的
[6, 7, 2, 1, 5] -> 140(总重量),155(总价格)
根据价值密度(也即性价比),每次都选性价比最高的
性价比:[0.286, 1.333, .5, 1., .0875, 4., 1.2]
[6, 2, 7, 4, 1] -> 150(总重量),170(总价格)
算法的实现
算法流程如下:
元素数据结构的定义
问题数据结构的定义
循环子问题,直到全部子问题都得以解决,退出循环
下面给出其实现:
enum STATUS { UNCHOSEN, CHOSEN, NOTALLOWED }; // 物品的数据结构定义 typedef struct tagObject { int weight; int price; // double density; // 这里也可增加这样一个冗余性定义,用于第三种贪心规则 STATUS status; }OBJ; // 问题的数据结构定义 typedef struct tagKnapsackProblem { std::vector<OBJ> objs; int total; // std::vector<int> selected; // 贪心规则下得到的物品 // int weights; // 贪心规则下得到的总的物品重量 // int prices; // 贪心规则下得到的总的物品价格 }KnapsackProblem; // 定义三种贪心算法的函数指针 typedef int(*SELECT_POLICY)(std::vector<OBJ>&); void greedyAlgo(KnapsackProblem* problem, SELECT_POLICY spFunc) { int idx; int cur = 0; while ((idx = spFunc(problem->objs)) != -1) { // idx标识可选的物品 if (problem->objs[idx].weight <= problem->total - cur) { std::cout << idx + 1 << std::endl; // 打印每一个子问题的最优选择 problem->objs[idx].status = CHOSEN; cur += problem->objs[idx].weight; } else { problem->objs[idx].status = NOTALLOWED; } } } int chooseFunc1(std::vector<OBJ>& objs) { int idx = -1; int tmp = 0; for (size_t i = 0; i < objs.size(); ++i) { if (objs[i].status == UNCHOSEN && tmp < objs[i].price) { tmp = objs[i].price; idx = i; } } return idx; } int chooseFunc2(std::vector<OBJ>& objs) { int idx = -1; int tmp = 1000000; for(size_t i = 0; i < objs.size(); ++i) { if (objs[i].status == UNCHOSEN && tmp > objs[i].weight) { tmp = objs[i].weight; idx = i; } } return idx; } int chooseFunc3(std::vector<OBJ>& objs) { int idx = -1; double tmp = 0.; for(size_t i = 0; i < objs.size(); ++i) { if (objs[i].status == UNCHOSEN && tmp < static_cast<double>(objs[i].price)/objs[i].weight) { tmp = static_cast<double>(objs[i].price)/objs[i].weight; idx = i; } } return idx; }
// 客户端代码 int main(int, char**) { std::vector<OBJ> objs{{35, 10, UNCHOSEN}, {30, 40, UNCHOSEN}, {60, 30, UNCHOSEN}, {50, 50, UNCHOSEN}, {40, 35, UNCHOSEN}, {10, 40, UNCHOSEN}, {25, 10, UNCHOSEN}}; KnapsackProblem problem = {objs, 150}; // greedyAlgo(&problem, chooseFunc1); // greedyAlgo(&problem, chooseFunc2); greedyAlgo(&problem, chooseFunc3); // 三种贪心规则分别运行。 return 0; }
0-1找零问题
有了上述0-1(to be or not to be, 只能二选一)背包问题提供的模型,我们便可比较轻易的仿制上述设计与编程,解决0-1找零钱问题:
货币 mi=[25,10,5,1] 分四种,需找给用户41分钱。
enum STATUS { CHOSEN, UNCHOSEN, NOTALLOWED }; typedef struct tagObject { int value; STATUS status; }OBJ; typedef struct tagProblem { std::vector<OBJ> objs; int total; }Problem; int findMax(std::vector<OBJ>& objs) { int idx = -1; int tmp = 0; for (size_t i = 0; i < objs.size(); ++i) { if (objs[i].status == UNCHOSEN && tmp < objs[i].value) { idx = i; tmp = objs[i].value; } } return idx; } void greedyAlgo(Problem* prob) { int idx; int cur = 0; while ((idx = findMax(prob->objs))!=-1) { if (prob->objs[idx].value <= prob->total - cur) { std::cout << idx + 1 << std::endl; prob->objs[idx].status = CHOSEN; cur += prob->objs[idx].value; } else { prob->objs[idx].status = NOTALLOWED; } } } int main(int, char**) { std::vector<OBJ> objs {{25, UNCHOSEN}, {10, UNCHOSEN}, {5, UNCHOSEN}, {1, UNCHOSEN}}; Problem prob = {objs, 41}; greedyAlgo(&prob); return 0; }