贪心算法的基本要素:1.贪心选择性质。所谓贪心选择性质是指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。动态规划算法通常以自底向上的方式解各子问题,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。对于一个具体问题,要确定它是否具有贪心选择性质,必须证明每一步所作的贪心选择最终导致问题的整体最优解。2. 当一个问题的最优解包含其子问题的最优解时,称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。贪心算法的基本思路:从问题的某一个初始解出发逐步逼近给定的目标,以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时,算法停止。该算法存在问题:1. 不能保证求得的最后解是最佳的;2. 不能用来求最大或最小解问题;3. 只能求满足某些约束条件的可行解的范围。实现该算法的过程:从问题的某一初始解出发;while 能朝给定总目标前进一步 do 求出可行解的一个解元素;由所有解元素组合成问题的一个可行解;用背包问题来介绍贪心算法:背包问题:有一个背包,背包容量是M=150。有7个物品,物品可以分割成任意大小。要求尽可能让装入背包中的物品总价值最大,但不能超过总容量。物品 A B C D E F G重量 35 30 60 50 40 10 25价值 10 40 30 50 35 40 30分析如下目标函数: ∑pi最大约束条件是装入的物品总重量不超过背包容量:∑wi<=M( M=150)。(1)根据贪心的策略,每次挑选价值最大的物品装入背包,得到的结果是否最优?(2)每次挑选所占重量最小的物品装入是否能得到最优解?(3)每次选取单位重量价值最大的物品,成为解本题的策略。值得注意的是,贪心算法并不是完全不可以使用,贪心策略一旦经过证明成立后,它就是一种高效的算法。贪心算法还是很常见的算法之一,这是由于它简单易行,构造贪心策略不是很困难。可惜的是,它需要证明后才能真正运用到题目的算法中。一般来说,贪心算法的证明围绕着:整个问题的最优解一定由在贪心策略中存在的子问题的最优解得来的。对于背包问题中的3种贪心策略,都是无法成立(无法被证明)的,解释如下:贪心策略:选取价值最大者。反例:W=30物品:A B C重量:28 12 12价值:30 20 20根据策略,首先选取物品A,接下来就无法再选取了,可是,选取B、C则更好。(2)贪心策略:选取重量最小。它的反例与第一种策略的反例差不多。(3)贪心策略:选取单位重量价值最大的物品。反例:W=30物品:A B C重量:28 20 10价值:28 20 10根据策略,三种物品单位重量价值一样,程序无法依据现有策略作出判断,如果选择A,则答案错误。但是果在条件中加一句当遇见单位价值相同的时候,优先装重量小的,这样的问题就可以解决.所以需要说明的是,贪心算法可以与随机化算法一起使用,具体的例子就不再多举了。(因为这一类算法普及性不高,而且技术含量是非常高的,需要通过一些反例确定随机的对象是什么,随机程度如何,但也是不能保证完全正确,只能是极大的几率正确)。 网上对于这个装包问题的描述就就只有这些,但是在这里我还是要写一下,假设条件是什么?假设条件是上述几种反例的情况不存在的时候该如何求解:
贪心算法的基本要素:
1.贪心选择性质。所谓贪心选择性质是指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。
动态规划算法通常以自底向上的方式解各子问题,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。
对于一个具体问题,要确定它是否具有贪心选择性质,必须证明每一步所作的贪心选择最终导致问题的整体最优解。
2. 当一个问题的最优解包含其子问题的最优解时,称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。
贪心算法的基本思路:
从问题的某一个初始解出发逐步逼近给定的目标,以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时,算法停止。
该算法存在问题:
1. 不能保证求得的最后解是最佳的;
2. 不能用来求最大或最小解问题;
3. 只能求满足某些约束条件的可行解的范围。
实现该算法的过程:
从问题的某一初始解出发;
while 能朝给定总目标前进一步 do
求出可行解的一个解元素;
由所有解元素组合成问题的一个可行解;
用背包问题来介绍贪心算法:
背包问题:有一个背包,背包容量是M=150。有7个物品,物品可以分割成任意大小。要求尽可能让装入背包中的物品总价值最大,但不能超过总容量。
物品 A B C D E F G
重量 35 30 60 50 40 10 25
价值 10 40 30 50 35 40 30
分析如下
目标函数: ∑pi最大
约束条件是装入的物品总重量不超过背包容量:∑wi<=M( M=150)。
(1)根据贪心的策略,每次挑选价值最大的物品装入背包,得到的结果是否最优?
(2)每次挑选所占重量最小的物品装入是否能得到最优解?
(3)每次选取单位重量价值最大的物品,成为解本题的策略。
值得注意的是,贪心算法并不是完全不可以使用,贪心策略一旦经过证明成立后,它就是一种高效的算法。
贪心算法还是很常见的算法之一,这是由于它简单易行,构造贪心策略不是很困难。
可惜的是,它需要证明后才能真正运用到题目的算法中。
一般来说,贪心算法的证明围绕着:整个问题的最优解一定由在贪心策略中存在的子问题的最优解得来的。
对于背包问题中的3种贪心策略,都是无法成立(无法被证明)的,解释如下:
贪心策略:选取价值最大者。反例:
W=30
物品:A B C
重量:28 12 12
价值:30 20 20
根据策略,首先选取物品A,接下来就无法再选取了,可是,选取B、C则更好。
(2)贪心策略:选取重量最小。它的反例与第一种策略的反例差不多。
(3)贪心策略:选取单位重量价值最大的物品。反例:
W=30
物品:A B C
重量:28 20 10
价值:28 20 10
根据策略,三种物品单位重量价值一样,程序无法依据现有策略作出判断,如果选择A,则答案错误。但是果在条件中加一句当遇见单位价值相同的时候,优先装重量小的,这样的问题就可以解决.
所以需要说明的是,贪心算法可以与随机化算法一起使用,具体的例子就不再多举了。(因为这一类算法普及性不高,而且技术含量是非常高的,需要通过一些反例确定随机的对象是什么,随机程度如何,但也是不能保证完全正确,只能是极大的几率正确)。
网上对于这个装包问题的描述就就只有这些,但是在这里我还是要写一下,假设条件是什么?假设条件是上述几种反例的情况不存在的时候该如何求解:
下面我要说的是,这个算法里面就是采用的贪心第三方案,一般这个方案是成功率最大的,其他两个方案我在这里没有考虑,在这里得到的结果是利用了115容量装了价值195的东西,但是这明显不是最优结果,分明还可以装一个A进去!刚好满足150重量,由于在算法中我单纯的利用第三种贪心方法求解,当剩余的包裹中最优的再加进来的时候已经超过了,所以这个时候可以选择剩余包裹中次优的(如这里选择A),再不行就次次优的,尽量把包裹装满,这样得到的结果就很接近了(不保证一定为最优),但是我们一般不这样来求解,下一文章会介绍动态规划算法来解决这个问题,动态规划很好的弥补了贪心算法的不足!详见下一章!!
还需要说明的是,如果包裹是可以拆分的,那这个问题就得到了整体最优解,前面不变,就是当最后一次装进去已经超过容量的时候可以选择只装她的一部分!很多编程题一般是这种情况!
经自己总结的贪心算法几大经典问题:
1:活动时间安排的问题
设有N个活动时间集合,每个活动都要使用同一个资源,比如说会议场,而且同一时间内只能有一个活动使用,每个活动都有一个使用活动的开始si和结束时间fi,即他的使用区间为(si,fi),现在要求你分配活动占用时间表,即哪些活动占用该会议室,哪些不占用,使得他们不冲突,要求是尽可能多的使参加的活动最大化,即所占时间区间最大化!
上图为每个活动的开始和结束时间,我们的任务就是设计程序输出哪些活动可以占用会议室!
得出结果是 0 3 7 10,也就是对应的时间段
值得说明一下,虽然贪心算法不是一定可以得到最好的解 ,但是对于这种活动时间的问题,他却得到的总是最优解,这点可以用数学归纳法证明,在这里,体现出来的贪心策略是:每一个活动时间的挑选总是选择最优的,就是刚好匹配的,这样得出的结果也就是最优的了!由于这个算法很简单,在这里就没有注释了!
类似这种题还有个区间覆盖问题,就是说很多个区间,其中有些是相互覆盖着的,要求去除多余的区间,使剩下的区间占用长度最大,实际就是这个题,只是问法变换了而已!接下来让我们看线性覆盖的问题,跟上面的相反!
2.贪心实例之线段覆盖(lines cover)
题目大意:
在一维空间中告诉你N条线段的起始坐标与终止坐标,要求求出这些线段一共覆盖了多大的长度。
为了方便说明,我们采用上述表格中的数据代表10条线段的起始点和终点,注意,这里是用起始点为顺序进行排列,和上面的不一样,知道了这些我们就可以着手开始设计这个程序:
运行结果为13,显然这是我们需要的结果,这里注明一下,上面图表中数据有点问题,实际以程序中给出的为主!
3,:数字组合问题!
设有N个正整数,现在需要你设计一个程序,使他们连接在一起成为最大的数字,例3个整数 12,456,342 很明显是45634212为最大,4个整数 342,45,7,98显然为98745342最大
程序要求:输入整数N 接下来一行输入N个数字,最后一行输出最大的那个数字!
题目解析:拿到这题目,看起要来也简单,看起来也难,简单在什么地方,简单在好像就是寻找哪个开头最大,然后连在一起就是了,难在如果N大了,假如几千几万,好像就不是那么回事了,要解答这个题目需要选对合适的贪心策略,并不是把数字由大排到小那么简单,网上的解法是将数字转化为字符串,比如a+b和b+a,用strcmp函数比较一下就知道谁大,也就知道了谁该排在谁前面,不过我觉得这个完全没必要,在这里我采用一种比较巧妙的方法来解答,不知道大家还记得冒泡排序法不,那是排序最早接触的一种方法,我们先看看它的源代码:
下面我要说的是,这个算法里面就是采用的贪心第三方案,一般这个方案是成功率最大的,其他两个方案我在这里没有考虑,在这里得到的结果是利用了115容量装了价值195的东西,但是这明显不是最优结果,分明还可以装一个A进去!刚好满足150重量,由于在算法中我单纯的利用第三种贪心方法求解,当剩余的包裹中最优的再加进来的时候已经超过了,所以这个时候可以选择剩余包裹中次优的(如这里选择A),再不行就次次优的,尽量把包裹装满,这样得到的结果就很接近了(不保证一定为最优),但是我们一般不这样来求解,下一文章会介绍动态规划算法来解决这个问题,动态规划很好的弥补了贪心算法的不足!详见下一章!! 还需要说明的是,如果包裹是可以拆分的,那这个问题就得到了整体最优解,前面不变,就是当最后一次装进去已经超过容量的时候可以选择只装她的一部分!很多编程题一般是这种情况!经自己总结的贪心算法几大经典问题:1:活动时间安排的问题 设有N个活动时间集合,每个活动都要使用同一个资源,比如说会议场,而且同一时间内只能有一个活动使用,每个活动都有一个使用活动的开始si和结束时间fi,即他的使用区间为(si,fi),现在要求你分配活动占用时间表,即哪些活动占用该会议室,哪些不占用,使得他们不冲突,要求是尽可能多的使参加的活动最大化,即所占时间区间最大化!上图为每个活动的开始和结束时间,我们的任务就是设计程序输出哪些活动可以占用会议室![cpp] view plain copy#include using namespace std; void GreedyChoose(int len,int *s,int *f,bool *flag); int main(int argc, char* argv[]) { int s[11] ={1,3,0,5,3,5,6,8,8,2,12}; int f[11] ={4,5,6,7,8,9,10,11,12,13,14}; bool mark[11] = {0}; GreedyChoose(11,s,f,mark); for(int i=0;i<11;i++) if(mark[i]) cout<<i<<" "; system("pause"); return 0; } void GreedyChoose(int len,int *s,int *f,bool *flag) { flag[0] = true; int j = 0; for(int i=1;i= f[j]) { flag[i] = true; j = i; } } 得出结果是 0 3 7 10,也就是对应的时间段值得说明一下,虽然贪心算法不是一定可以得到最好的解 ,但是对于这种活动时间的问题,他却得到的总是最优解,这点可以用数学归纳法证明,在这里,体现出来的贪心策略是:每一个活动时间的挑选总是选择最优的,就是刚好匹配的,这样得出的结果也就是最优的了!由于这个算法很简单,在这里就没有注释了!类似这种题还有个区间覆盖问题,就是说很多个区间,其中有些是相互覆盖着的,要求去除多余的区间,使剩下的区间占用长度最大,实际就是这个题,只是问法变换了而已!接下来让我们看线性覆盖的问题,跟上面的相反!2.贪心实例之线段覆盖(lines cover)题目大意:在一维空间中告诉你N条线段的起始坐标与终止坐标,要求求出这些线段一共覆盖了多大的长度。为了方便说明,我们采用上述表格中的数据代表10条线段的起始点和终点,注意,这里是用起始点为顺序进行排列,和上面的不一样,知道了这些我们就可以着手开始设计这个程序: [cpp] view plain copy#include using namespace std; int main(int argc, char* argv[]) { int s[10] = {2,3,4,5,6,7,8,9,10,11}; int f[10] = {3,5,7,6,9,8,12,10,13,15}; int TotalLength = (3-2); for(int i=1,int j=0; i<10 i="" if="" s="" i="">= f[j]) { TotalLength += (f[i]-s[i]); j = i; } else { if(f[i] <= f[j]) continue; else { TotalLength += f[i] - f[j]; j = i; } } } cout<<TotalLength<<endl; system("pause"); return 0; } 运行结果为13,显然这是我们需要的结果,这里注明一下,上面图表中数据有点问题,实际以程序中给出的为主! 3,:数字组合问题!设有N个正整数,现在需要你设计一个程序,使他们连接在一起成为最大的数字,例3个整数 12,456,342 很明显是45634212为最大,4个整数 342,45,7,98显然为98745342最大程序要求:输入整数N 接下来一行输入N个数字,最后一行输出最大的那个数字!题目解析:拿到这题目,看起要来也简单,看起来也难,简单在什么地方,简单在好像就是寻找哪个开头最大,然后连在一起就是了,难在如果N大了,假如几千几万,好像就不是那么回事了,要解答这个题目需要选对合适的贪心策略,并不是把数字由大排到小那么简单,网上的解法是将数字转化为字符串,比如a+b和b+a,用strcmp函数比较一下就知道谁大,也就知道了谁该排在谁前面,不过我觉得这个完全没必要,在这里我采用一种比较巧妙的方法来解答,不知道大家还记得冒泡排序法不,那是排序最早接触的一种方法,我们先看看它的源代码:[cpp] view plain copy#include using namespace std; int main(int argc, char* argv[]) { int array[10]; for(int i=0;i<10 i="" cin="">>array[i]; int temp; for(i=0; i<=9 ; ++i) for(int j=0;j<10-1-i j="" if="" array="" j=""> array[j+1] ) { temp = array[j]; array[j] = array[j+1]; array[j+1] = temp; } for(i=0;i<10;i++) cout<<array[i]<<" "; cout< array[j+1] ) 他是以数字大小作为比较准则来返回true或者是false,那么我们完全可以改变一下这个排序准则,比如23,123,这两个数字,在我们这个题中它可以组成两个数字 23123和12323,分明是前者大些,所以我们可以说23排在123前面,也就是23的优先级比123大,123的优先级比23小,所以不妨写个函数,传递参数a和b,如果ab比ba大,则返回true,反之返回false,函数原型如下: [cpp] view plain copy [cpp] view plain copy
bool compare(int Num1,int Num2)
{
int count1,count2;
int MidNum1 = Num1,MidNum2 = Num2;
while( MidNum1 )
{
++count1;
MidNum1 /= 10;
}
while( MidNum2 )
{
++count2;
MidNum2 /= 10;
}
int a = Num1 * pow(10,count2) + Num2;
int b = Num2 * pow(10,count1) + Num1;
return (a>b)? true:false;
}
好了,我们的比较准则函数也已经完成了,只需要把这个比较准则加到关键的地方,这个题就算完成了,最终代码如下:
#include
#include
using namespace std;
bool compare(int Num1,int Num2);
int main(int argc, char* argv[])
{
int N;
cout<<"please enter the number n:"<
>N;
int *array = new int [N];
for(int i=0;i
>array[i];
int temp;
for(i=0; i<=N-1 ; ++i)
{
for(int j=0;j<N-i-1;j++)
if( compare(array[j],array[j+1]) )
{
temp = array[j];
array[j] = array[j+1];
array[j+1] = temp;
}
}
cout<<"the max number is:";
for( i=N-1 ; i>=0 ; --i)
cout<<array[i];
cout<
b)? true:false; }
运行测试:
可以看见这样很巧妙的改编冒泡排序就解决了这个问题,当然也可以用其他的排序算法,或者干脆用一个仿函数作为set容器的排序准则,insert进去就可以了,但是这个程序有一点小问题,假如输入的数字中有两个濒临越界的数据,合并在一起就越界了,那样就只能用字符串的形式进行比较!
4,:找零钱的问题
在贪心算法里面最常见的莫过于找零钱的问题了,题目大意如下,对于人民币的面值有1元 5元 10元 20元 50元 100元,下面要求设计一个程序,输入找零的钱,输出找钱方案中最少张数的方案,比如123元,最少是1张100的,1张20的,3张1元的,一共5张!
解析:这样的题目运用的贪心策略是每次选择最大的钱,如果最后超过了,再选择次大的面值,然后次次大的面值,一直到最后与找的钱相等,这种情况大家再熟悉不过了,下面就直接看源代码:
#include
#include
using namespace std;
int main(int argc, char* argv[])
{
int MoneyClass[6] = {100,50,20,10,5,1}; //记录钱的面值
int MoneyIndex [6] ={0}; //记录每种面值的数量
int MoneyAll,MoneyCount = 0,count=0;
cout<<"please enter the all money you want to exchange:"<
>MoneyAll;
for(int i=0;i<6 if="" moneycount="" moneyclass="" i=""> MoneyAll)
{
i++;
continue;
}
MoneyCount += MoneyClass[i];
++ MoneyIndex[i];
++ count;
if(MoneyCount == MoneyAll)
break;
}
for(i=0;i<6;++i) //控制输出的循环
{
if(MoneyIndex[i] !=0 )
{
switch(i)
{
case 0:
cout<<"the 100 have:"<<MoneyIndex[i]<<endl;
break;
case 1:
cout<<"the 50 have:"<<MoneyIndex[i]<<endl;
break;
case 2:
cout<<"the 20 have:"<<MoneyIndex[i]<<endl;
break;
case 3:
cout<<"the 10 have:"<<MoneyIndex[i]<<endl;
break;
case 4:
cout<<"the 5 have:"<<MoneyIndex[i]<<endl;
break;
case 5:
cout<<"the 1 have:"<<MoneyIndex[i]<<endl;
break;
}
}
}
cout<<"the total money have:"<<count<<endl;
system("pause");
return 0;
}
由于精力有限,贪心算法的很多题还没写,以后有时间会补上,其实最主要就是记住贪心策略,每次选择的都是对于当前而言最优的,贪心思想不难,利用好就需要多练习,望一起进步!(下一算法:动态规划算法)
bool compare(int Num1,int Num2)
{
int count1,count2;
int MidNum1 = Num1,MidNum2 = Num2;
while( MidNum1 )
{
++count1;
MidNum1 /= 10;
}
while( MidNum2 )
{
++count2;
MidNum2 /= 10;
}
int a = Num1 * pow(10,count2) + Num2;
int b = Num2 * pow(10,count1) + Num1;
return (a>b)? true:false;
}
好了,我们的比较准则函数也已经完成了,只需要把这个比较准则加到关键的地方,这个题就算完成了,最终代码如下:
#include
#include
using namespace std;
bool compare(int Num1,int Num2);
int main(int argc, char* argv[])
{
int N;
cout<<"please enter the number n:"<
>N;
int *array = new int [N];
for(int i=0;i
>array[i];
int temp;
for(i=0; i<=N-1 ; ++i)
{
for(int j=0;j<N-i-1;j++)
if( compare(array[j],array[j+1]) )
{
temp = array[j];
array[j] = array[j+1];
array[j+1] = temp;
}
}
cout<<"the max number is:";
for( i=N-1 ; i>=0 ; --i)
cout<<array[i];
cout<
b)? true:false; }
运行测试:
可以看见这样很巧妙的改编冒泡排序就解决了这个问题,当然也可以用其他的排序算法,或者干脆用一个仿函数作为set容器的排序准则,insert进去就可以了,但是这个程序有一点小问题,假如输入的数字中有两个濒临越界的数据,合并在一起就越界了,那样就只能用字符串的形式进行比较!
4,:找零钱的问题
在贪心算法里面最常见的莫过于找零钱的问题了,题目大意如下,对于人民币的面值有1元 5元 10元 20元 50元 100元,下面要求设计一个程序,输入找零的钱,输出找钱方案中最少张数的方案,比如123元,最少是1张100的,1张20的,3张1元的,一共5张!
解析:这样的题目运用的贪心策略是每次选择最大的钱,如果最后超过了,再选择次大的面值,然后次次大的面值,一直到最后与找的钱相等,这种情况大家再熟悉不过了,下面就直接看源代码:
#include
#include
using namespace std;
int main(int argc, char* argv[])
{
int MoneyClass[6] = {100,50,20,10,5,1}; //记录钱的面值
int MoneyIndex [6] ={0}; //记录每种面值的数量
int MoneyAll,MoneyCount = 0,count=0;
cout<<"please enter the all money you want to exchange:"<
>MoneyAll;
for(int i=0;i<6 if="" moneycount="" moneyclass="" i=""> MoneyAll)
{
i++;
continue;
}
MoneyCount += MoneyClass[i];
++ MoneyIndex[i];
++ count;
if(MoneyCount == MoneyAll)
break;
}
for(i=0;i<6;++i) //控制输出的循环
{
if(MoneyIndex[i] !=0 )
{
switch(i)
{
case 0:
cout<<"the 100 have:"<<MoneyIndex[i]<<endl;
break;
case 1:
cout<<"the 50 have:"<<MoneyIndex[i]<<endl;
break;
case 2:
cout<<"the 20 have:"<<MoneyIndex[i]<<endl;
break;
case 3:
cout<<"the 10 have:"<<MoneyIndex[i]<<endl;
break;
case 4:
cout<<"the 5 have:"<<MoneyIndex[i]<<endl;
break;
case 5:
cout<<"the 1 have:"<<MoneyIndex[i]<<endl;
break;
}
}
}
cout<<"the total money have:"<<count<<endl;
system("pause");
return 0;
}
由于精力有限,贪心算法的很多题还没写,以后有时间会补上,其实最主要就是记住贪心策略,每次选择的都是对于当前而言最优的,贪心思想不难,利用好就需要多练习,望一起进步!(下一算法:动态规划算法)