贪心算法可以得到近似的最优解,近似的意思是:与最完美的值接近,但是不是最完美的值
举一个例子:The knapsack problem
假设你有一个袋子,里面能装35lbs重量的货物,要从下图的物品中,挑出价值最大的物品,放入你的袋子中,同时重量不能超过35lbs
使用贪心算法步骤如下
使用贪心算法的话,你的袋子里只能装下stereo,价值3000,但是最优解为装一个laptop和一个guitar,价值3500,可以看出使用贪心算法得出的不是最优解,但是与最优解接近
以下为贪心算法常用的情境(旅游相关)
总之一句话,当求解最优解的成本非常大的时候,可以用贪心算法来近似求解
举一个例子
首先看一下set的作用,set就是把一个list里面的重复的内容剔除,从下图看到重复的2,3被剔除了。
情境如下图介绍:
下面使用代码来完成这个挑选工作,因为50个states太多了,所以挑选一个subset的states(区域),里面每一个station覆盖一部分区域(states),需要用最少的station来覆盖所有的states(区域)
states_needed = set(['mt', 'wa', 'or', 'id', 'nv', 'ut',
'ca', 'az'])
stations = {}
stations['kone'] = set(['id', 'nv', 'ut'])
stations['ktwo'] = set(['wa', 'id', 'mt'])
stations['kthree'] = set(['or', 'nv', 'ca'])
stations['kfour'] = set(['nv', 'ut'])
stations['kfve'] = set(['ca', 'az'])
final_stations = set()
while states_needed:
best_station = None
best_states = set()
for station, states in stations.items():
covered_states = states_needed & states
if len(covered_states) > len(best_states):
best_states = covered_states
best_station = station
final_stations.add(best_station)
states_needed = states_needed-best_states
print (final_stations)
可以看到打印出来的为{'ktwo', 'kone', 'kthree', 'kfve'}
NP-complete problems
在上面找station的情况中,you calculate every possible solution and pick the smallest/shortest one.这种情境就叫做NP-complete,总而言之就是计算成本非常高的问题称为NP-complete。