贪心算法总结

一 基本思想

    贪心算法总是作出在当前看来最好的选择。即贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择，不一定达到全局最优。
    当一个问题动具有最优子结构性质时,可用动态规划算法求解，但有时贪心算法会更简单有效。如下图所示例题，贪心所得的局部最优就是全局最优。
    贪心算法解题简单、有效，利用了问题本身的特性。但它有时并不能从局部的最优得到整体的最优。如下图所示例题，贪心所得的局部最优并非全局最优。
    虽然贪心算法不是对所有问题都能从局部得到整体的最优解，但它的应用仍然很广。例如：哈夫曼编码、单源最短路径问题、最小生成树问题。特别是在一些情况下，最优解无法得到时，贪心算法却是能求得最优解的很好近似解。

二 贪心算法举例

1 活动安排问题

活动安排问题：在所给的活动集合中选出最大的相容活动子集合，高效地安排一系列争用某一公共资源的活动。贪心算法提供了一个简单、有效的方法使得尽可能多的活动能兼容地使用公共资源。

    问题描述：
    设有 N 个活动，其中每个活动都要求使用同一资源，如活动中心。而在同一时间只能有一个活动能使用这一资源。活动安排问题是，如何安排使利用这一资源的活动数最多。

    例如：

    活动安排贪心策略：
    N 个活动，[si, fi]，i ∈ 1-N。竞争使用活动场地（资源），同一时间只能安排一个活动，如何安排使利用共享资源的活动数最多。
    贪心策略：每次选择最早结束的活动，给未安排的活动腾出更多时间。
    例如：设待安排的10个活动的开始时间和结束时间按结束时间的升序排列如下表所示。

int GreedySelector(vector<int> start, vector<int> finish, vector<bool> &choose, int n)
{
   
	if (n != start.size() || n != finish.size()) {
    //输入的数据不符合题意,输入错误,直接return 0;
		return 0;
	}
	choose[0] = true;
	//j表示当前遍历到哪一个活动,count统计已选的活动数量
	int count = 1, j = 1;
	for (int i = 1; i < n; ++i) {
   
		if (start[i] >= finish[j]) {
   
			choose[i] = true;
			count++;
			j = i