Grokking algorithms(第八章)greedy algorithms

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。

总结