数据结构与算法（八）贪心算法

一.贪心算法

在对问题求解时，总是作出在当前看来是最好的选择。也就是说，不从整体上加以考虑，它所作出的仅仅是在某种意义上的局部最优解（是否是全局最优，需要证明）。

二.最优装载问题

1.问题描述

有一天海盗们截获了一艘装满各种各样古董的货船，每一件都价值连城，一旦打碎就是去了价值，
海盗船载重量为C，每件固定的重量为wi，海盗们该如何尽可能装载最多数量的古董呢？

2.算法设计

3.代码实现

antique = [4, 10, 7, 11, 3, 5, 14, 2]
def max_ans(antique):
    antique_sort = sorted(antique)
    ans, tmp = 0, 0
    ship = []
    for item in antique_sort:
        tmp += item
        if tmp <= 30:
            ans += 1
            ship.append(item)
    print('装载古董数量：', ans)
    print('装载的古董：', ship)
max_ans(antique)

二.教室调度问题

1.问题描述

2.算法设计

你希望在这间教室上尽可能多的课。如何选出尽可能多且时间不冲突的课程呢？
具体做法如下：
(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。
重复这样做就能找出答案！

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。

三.背包问题

1.问题描述

2.算法设计

1.计算出每件宝物的性价比，按照从高到低排序；
2.根据贪心策略，按性价比从大到小选取宝物，直到达到毛驴的运载能力。每次选择宝物后判断是否
小于m，如果不小于则取走宝物的一部分，程序结束。

3.代码实现

datas = [[4, 3], [3, 8], [9, 18], [11, 30], [5, 8],
        [3, 6], [4, 13], [3, 9]]
m = 30
w = 0
for i in range(len(datas)):
    price = datas[i][1] / datas[i][0]
    datas[i].append(price)
datas.sort(key=lambda data: data[2], reverse=True)
for data in datas:
    if data[0] <= m:
        w += data[1]
        m -= data[0]
    else:
        w += data[2]*m
        break
print('总价值', w)