贪心算法（未完成）

贪心算法

1.贪心算法概述

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

找到贪心的启发式表达式并不难，难的是证明贪心是最优解。

援引自另一位大神：有人说贪心算法是最简单的算法，原因很简单：你我其实都很贪，根本不用学就知道怎么贪。有人说贪心算法是最复杂的算法，原因也很简单：这世上会贪的人太多了，那轮到你我的份？

2.贪心算法的基本思路

1. 建立数学模型来描述问题。
2. 把求解的问题分成若干个子问题。
3. 对每一子问题求解，得到子问题的局部最优解。
4. 把子问题的解局部最优解合成原来解问题的一个解。

所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。这是贪心算法可行的第一个基本要素，也是贪心算法与动态规划算法的主要区别。

因为动态规划算法通常以自底向上的方式递归解各子问题，而贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。

这里简单明确一下递归和迭代的区别：递归是程序不断调用自身的过程，把复杂问题求解推到到比原问题更简单一些的问题，然后在获得最简单的情况之后逐步返回，依次得到复杂的解；而迭代则是利用原来变量的值来推算一个新的值。递归中一定有迭代（镜子中的镜子），但是迭代中不一定有递归（自动步枪用枪焰制退弹壳装弹）
知乎 -「递归」和「迭代」有哪些区别？

3.贪心算法适用的情况

贪心策略适用的前提是：局部最优策略能导致产生全局最优解。

实际上，贪心算法适用的情况很少。一般，对一个问题分析是否适用于贪心算法，可以先选择该问题下的几个实际数据进行分析，找一下有没有反例就可以判断。

---

贪心算法的实际应用

1.最小生成树

最小生成树——Prim算法、Kruskal算法和Boruvka算法

2.最短路径Dijkstra算法

最短路径——Dijkstra算法

3.区间调度问题

输入：一组标有开始时间和结束时间的工作区间。$(( s(i), f(i) ):i=1,...,n )$
输出：最大数量的不互相重叠可以在一个CPU上执行的区间集合。

贪心区间调度等驾驭找到一个图中的最大独立集（Maximum Independent Set），图中的顶点为一区间，如果区间重叠则它们之间有一条边。

解决方法：Earliest Finishing Time（EFT），选择不重叠的，有最早结束时间的区间。
时间复杂度：O(nlogn)

证明：

4.区间划分（区间着色）问题

输入：一组标有开始时间和结束时间的工作区间。$(( s(i), f(i) ):i=1,…,n )
输出：能够并发执行这些工作的服务器的数量。
一台服务器同时只能解决一项工作，一项工作也只能在一台server上运行。这个问题等价于将重叠的工作分配不同的颜色，所需要的颜色种类。

解决方法：将这一组工作按照开始时间排序，当一个新的工作执行时，为它分配目前没有分配的着色数量最少的颜色。
时间复杂度：O(nlogn)

证明：另d表示区间的深度，即最大的重合区间的数量，贪心算法正好使用了d种颜色，而其他算法至少要用d种颜色。

5.最小延迟调度

输入：一组带有处理所需时间（process time）和截止时间（due time）的工作$(( p(i), d(i) ):i=1,...,n )$
输出：在一个处理器上对工作进行调度，计算每个工作的开始时间，使得总延迟最小。$Li = max（0, fi − di）$

解决方法：Earliest Deadline First（EDF），选择截止日期最早的工作优先执行。

证明：根据算法定义，EDF是没有空闲时间的，不会出现赶deadline的情况。
我们引入概念inversion，来表示两个工作i、j，在di < dj 的情况下，却有 si < sj。即后due的先执行为inversion。EDF算法不存在inversion，inversion交换解决之后，总Latency不会增大，证明如下：
L = Li + Lj表示交换之前的总latency
L’ = Li’ + Lj’表示交换之后的总latency。
易得，Li’ <= Li，因为工作i执行的更早了；
Lj’ <= Li，因为工作j的due time 更晚。

---

转自：
http://blog.csdn.net/effective_coder/article/details/8736718
http://www.cnblogs.com/steven_oyj/archive/2010/05/22/1741375.html