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