《算法图解》-8 贪婪算法

本文属于《算法图解》系列。

一 教室调度问题

   假设有如下课程表，你希望将尽可能多的课程安排在某间教室上。

  

   (1) 选出结束最早的课，它就是要在这间教室上的第一堂课。

  (2) 接下来，必须选择第一堂课结束后才开始的课。同样，你选择结束最早的课，这将是要在这间教室上的第二堂课。

   

贪婪算法很简单：每步都采取最优的做法。在这个示例中，你每次都选择结束最早的 课。用专业术语说，就是你每步都选择局部最优解，最终得到的就是全局最优解。

二 背包问题

  背包问题：有一个背包，容量为35磅 ， 现有如下物品

物品	重量	价格
吉他	15	1500
音响	30	3000
笔记本电脑	20	2000

      要求达到的目标为装入的背包的总价值最大，并且重量不超出。 

   音响最贵，但背包没有空间装其他东西了。

 

如果选择装笔记本电脑和吉他，总价将为3500美元！

在这里，贪婪策略显然不能获得最优解，但非常接近。

   从这个示例你得到了如下启示：在有些情况下，完美是优秀的敌人。有时候，你只需找到一个能够大致解决问题的算法，此时贪婪算法正好可派上用场，因为它们实现起来很容易，得到的结果又与正确结果相当接近。

三 集合覆盖问题

  假设你办了个广播节目，要让全美50个州的听众都收听得到。为此，你需要决定在哪些广播台播出。在每个广播台播出都需要支付费用，因此你力图在尽可能少的广播台播出。现有广播台名单如下。

每个广播台都覆盖特定的区域，不同广播台的覆盖区域可能重叠。

如何找出覆盖全美50个州的最小广播台集合呢？听起来很容易，但其实非常难。具体方法如下。

(1) 列出每个可能的广播台集合，这被称为幂集（power set）。可能的子集有2ⁿ 个。

(2)在这些集合中，选出覆盖全美50个州的最小集合。

问题是计算每个可能的广播台子集需要很长时间。由于可能的集合有2ⁿ 个，因此运行时间为 O(2ⁿ )。如果广播台不多，只有5～10个，这是可行的。但如果广播台很多，结果将如何呢？随着广播台的增多，需要的时间将激增。假设你每秒可计算10个子集，所需的时间将如下。

广播台数量n	子集总数2ⁿ	需要的时间
5	32	3.2秒
10	1024	102.4秒
32	4294967296	13.6年
100	1.26*100³º	4x10²³年

 目前并没有算法可以快速计算得到准备的值.
而使用贪婪算法，则可以得到非常接近的解，并且效率高:.

选择策略上，因为需要覆盖全部地区的最小集合:

(1) 选出一个广播台，即它覆盖了最多未覆盖的地区,即便包含一些已覆盖的地区也没关系.
(2) 重复第一步直到覆盖了全部的地区.

这是一种近似算法（approximation algorithm）。在获得精确解需要的时间太长时，可使用近似算法。判断近似算法优劣的标准如下：

这是一种近似算法（approximation algorithm，贪婪算法的一种）。在获取到精确的最优解需要的时间太长时，便可以使用近似算法，判断近似算法的优劣标准如下:

• 速度有多快
• 得到的近似解与最优解的接近程度

在本例中贪婪算法是个不错的选择，不仅运行速度快，本例运行时间O(n²),最坏的情况，假设n个广播台，每个广播台就覆盖1个地区,n个地区，总计需要查询n*n=O(n²),下面看下实现过程。

1 准备数据。

首先，创建一个列表，其中包含要覆盖的州。

最后，需要使用一个集合来存储最终选择的广播台。

final_stations = set() 

2 计算答案

  你需要遍历所有的广播台，从中选择覆盖了最多的未覆盖州的广播台。我将这个广播台存储在 best_station中。

states_covered是一个集合，包含该广播台覆盖的所有未覆盖的州。for循环迭代每个广 播台，并确定它是否是最佳的广播台。

这里用到了计算求集合的交集。以及判断你检查该广播台覆盖的州是否比 best_station多。

下面来比较一下贪婪算法和精确算法的运行时间。

看下Java版本的实现。

/**
 * 
 * @author bohu83
 *
 */
public class GreedyTest {
	// 广播站与地区对应关系
	static HashMap<String, HashSet<String>> broadcasts = new HashMap<String, HashSet<String>>();
	// 需要覆盖的全部地区
	static HashSet<String> statesNeed = 
new HashSet(Arrays.asList(new String[] { "ID", "NV", "UT", "WA", "MT", "OR", "CA", "AZ" }));
	// 所选的广播站
	static List<String> finalStaion = new ArrayList<String>();

	static {
		broadcasts.put("Kone", new HashSet(Arrays.asList(new String[] { "ID", "NV", "UT" })));
		broadcasts.put("Ktwo", new HashSet(Arrays.asList(new String[] { "WA", "ID", "MT" })));
		broadcasts.put("Kthree", new HashSet(Arrays.asList(new String[] { "OR", "NV", "CA" })));
		broadcasts.put("Kfour", new HashSet(Arrays.asList(new String[] { "NV", "UT" })));
		broadcasts.put("Kfive", new HashSet(Arrays.asList(new String[] { "CA", "AZ" })));
	}

	public static void Greedy() {

		while (statesNeed.size() > 0) {
			String bestStation = null;//将覆盖了最多的未覆盖州的广播台存储进去
			//一个集合，包含该广播台覆盖的所有未覆盖的州(有点拗口，可以结合下面的求交集来理解)
			HashSet<String> statesCovered = new HashSet<String>();
			
			//循环迭代每个广播台并确定它是否是最佳的广播台
			for (String key : broadcasts.keySet()) {
				HashSet<String> areas = broadcasts.get(key);
				// 求交集
				areas.retainAll(statesNeed);
				//检查该广播台的州是否比best_station多
				if (areas.size() > 0 && areas.size() > statesCovered.size()) {
					bestStation = key;
					statesCovered = areas;
				}

			}
			// 更新statesneeded
			statesNeed.removeAll(statesCovered);
			// 把best_station添加到最终的广播台列表中
			finalStaion.add(bestStation);
		}
		System.out.print("finalStaion:" + finalStaion);
	}

	public static void main(String[] args) {
		Greedy();

	}

}

输出结果：finalStaion:[Ktwo, Kthree, Kfour, Kfive]

四 NP完全问题

旅行商问题

作者推导一番，假设从两个城市开始，可能的路线有两条。 a->b     . b->a

3个城市，从每个城市出发时，都有两条不同的路线，因此总共有6条路线。

假设有4个城市，你选择一个出发城市后，还余下3个城市。而你知道，涉及3个城市时，可能的路线有6条。可能的出发城市有4个，从每个城市出发时都有6条可能的路线，因此可能的路线有4 × 6 = 24条。

这被称为阶乘函数（factorial function），涉及10个城市时，需要计算的可能路线超过300万条。正如你看到的，可能的路线数增加得非常快！因此，如果涉及的城市很多，根本就无法找出 旅行商问题的正确解。

旅行商问题和集合覆盖问题有一些共同之处：你需要计算所有的解，并从中选出最小/最短 的那个。这两个问题都属于NP完全问题。

而使用贪婪算法，随机选择从一个城市出发，比如A，每次选择从最近的还没去过的城市出发,则可以得到近似最优解。

第一次比较n-1个城市
第二次比较n-2个城市
...
第n-1次比较1个城市
第n次不存在需要比较的了个

0+1+2+3+..+(n-1) ≈ O(n²/2)

   模拟计算时间对比（每秒计算10次）

数量n	总数n!	穷举需要时间	贪婪需要时间
5	120	120秒	12.5秒
10	32	42天	50秒

作者还举例挑选橄榄球队员组成球队的问题。

如何判断是NP完全问题的:

1.元素较少时，一般运行速度很快，但随着元素数量增多，速度会变得非常慢
2.涉及到需要计算比较"所有的组合"情况的通常是NP完全问题
3.无法分割成小问题，必须考虑各种可能的情况。这可能是NP完全问题
4.如果问题涉及序列（如旅行商问题中的城市序列）且难以解决，它可能就是NP完全问题
5.如果问题涉及集合（如广播台集合）且难以解决，它可能就是NP完全问题
6.如果问题可转换为集合覆盖问题或旅行商问题，那它肯定是NP完全问题

小结：

 贪婪算法寻找局部最优解，企图以这种方式获得全局最优解

 对于NP完全问题，还没有找到快速解决方案。

 面临NP完全问题时，最佳的做法是使用近似算法。

 贪婪算法易于实现、运行速度快，是不错的近似算法。