python算法学习（后续更新）

python算法学习

1.贪心算法

主要思想：不断选取当前条件下最好的选择来构造子步骤，不从整体上考虑最优，只从当前局部最优

利用贪心算法需要解决两个问题：

1. 是否具有贪心选择性质：根据同一规则f，将原问题变成一个相似的但规模更小的子问题，后面的每一步都是当前最佳的选择。
2. 是否具有局部最优解：通过一个贪心标准可以得到问题的最优解。

解决贪心问题的一般思路：

• 建立对问题精确描述的数学模型，包括定义最优解的模型。
• 将问题分成一系列子问题，同时定义子问题的最优解结构。
• 应用贪心算法原则可以确定每个子问题的局部最优解，并根据最优解模型，用子问题 的局部最优解堆叠出全局最优解。

1.1硬币找零问题

问题描述：

有6种不同面值的硬币，各硬币的面值分别为5分、1角、2角、5角、1 元和2元。现要用这些面值的硬币来购物和找钱。购物时规定了可以使用的各种面值的硬币个 数。对于给定的各种面值的硬币个数和付款金额，如何计算使用硬币个数最少的交易方案。（硬币数等于付钱硬币数加找零硬币数）

其核心思想为消费者硬币数量有限，商店的硬币无限。因此问题可以用以下公式来描述：

• MIN（消费者支付硬币数量+商店找零硬币数量）
• 支付值-找零值=商品值

这里所用的贪心算法为：

MAX（消费者拥有的硬币面值-商店拥有的硬币面值）优先使用。 即消费者优先使用面值最大的，商店优先使用面值最小的

为什么有效？

接下来验证这个算法的贪心选择性和最优子结构性质，证明贪心算法可以获得最优解：

贪心选择性：用贪心策略的选择替代原来的选择，如果能获得更优解或同优解，那么贪心 策略就可以获得最优解。

c[]={10,5,2,1} 在硬币选择问题中，如果需要表示一张六分的面值，可以选用三个两分的，也可以用一张更大的面值5加一个一分的来代替，这种优先使用大面值的方法可以使用更少的硬币，所以说满足贪心选择性质

疑问？

那如果说表示6分的，按照贪心选择的策略应该选择更大的10分再减去两个两分，这样不是比选择一个五分加上一个一分用到的硬币更多了吗

解答：

您提出的情况是贪心算法中的一个特例，其中贪心策略并不总是直接选择最大的硬币，而是选择能够使得找零中硬币总数最少的方式。在这种情况下，选择一个5分硬币和一个1分硬币来凑成6分，确实比选择一个10分硬币再找零两个2分硬币更优，因为前者只需要两枚硬币。
这个例子说明，贪心算法的有效性取决于问题的具体情况和贪心选择的定义。在找零问题中，贪心选择的策略是每一步都选择当前最大的可用硬币，但这并不意味着总是选择最大的硬币。实际上，贪心选择的策略是在每一步都做出一个局部最优的选择，以期望这个选择能导致全局最优解。
对于找零问题，贪心算法的正确策略是选择当前最大的硬币，但如果这个选择导致后续找零时需要更多的硬币，那么这个选择就不再是贪心的。因此，在实际应用贪心算法时，我们需要考虑当前选择对后续步骤的影响。
在您给出的例子中，选择10分硬币然后找零两个2分硬币，实际上可能会导致后续找零时需要更多的硬币。因此，贪心算法在这里会选择更小的硬币组合，即一个5分硬币和一个1分硬币，因为这样可以减少总的硬币数量。
总之，贪心算法在找零问题中的应用是选择每一步的最优解，但这个最优解可能是基于当前情况的最优，而不是单纯选择最大的硬币。在实际编程实现时，我们需要根据问题的具体规则来设计贪心策略，以确保最终得到全局最优解。

最优子结构证明

1. 定义问题：
   • S[i] 表示凑出金额 i 所需的最小硬币数。
   • c[j] 是一个特定面值的硬币。
2. 减少一个硬币：
   • 假设我们已经知道了凑出金额 i 所需的最优硬币数 S[i]，并且这个解中包括了至少一个面值为 c[j] 的硬币。
   • 现在我们尝试去掉一个 c[j] 硬币，这将改变问题为用最少的硬币凑出金额 i - c[j]。
   • 我们设 S[j] 是凑出金额 j 的最优解。如果从 S[j] 减去一个 c[j] 硬币，问题变为求解 n - c[j] 的最优解，硬币数变为 k-1。
3. 证明最优子结构：
   • 如果我们假设存在另一个解 T[i]，使得 T[i] 是金额 n - c[j] 的最优解，而且所用的硬币数 m 小于 k-1。
   • 那么，如果我们在 T[i] 的基础上加上一个 c[j] 硬币，我们将得到一个用于金额 n 的解，总硬币数是 m + 1。
   • 根据假设，这个解的硬币数 m + 1 小于 k（因为 m < k-1），这与 S[i] 是金额 n 的最少硬币数的假设矛盾，因为我们已经找到了一个更小的硬币数。
4. 结论：
   • 这个矛盾说明了我们的初步假设（存在一个比 S[i] 更好的解）是错误的。这意味着减去一个硬币后的问题（金额 n - c[j]）的最优解确实是 S[i] 的子问题的最优解。
   • 因此，问题满足最优子结构性质，即整个问题的最优解可以通过其子问题的最优解来构造。

最终代码

d = [0.05,0.1,0.2,0.5,1,2]   # 存储每种硬币面值 
d_num = []       # 存储每种硬币的数量 
s = 0 
# 拥有的零钱总和 
temp = raw_input('请输入每种零钱的数量：') 
d_num0 = temp.split(" ") 
for i in range(0, len(d_num0)):   	   		   		d_num.append(int(d_num0[i])) 	
    s += d[i] * d_num[i]    # 计算出收银员拥有多少钱 
sum = float(raw_input("请输入需要找的零钱:")) 
if sum > s: 
# 当输入的总金额比收银员的总金额多时，无法进行找零 
    print("数据有错") 
    return 0 
s = s - sum 
# 要想用的硬币数量最少，那么需要利用面值大的硬币， 
# 因此从数组的面值大的元素开始遍历 
i = 5 
while i >= 0:  
    if sum >= d[i]: #优先选择最大的面值
        n = int(sum / d[i]) 
        if n >= d_num[i]: 
            n = d_num[i]    # 更新n 
   		sum -= n * d[i]    # 贪心的关键步骤，令sum动态改变 
   		print("用了%d个%f元硬币"%(n, d[i])) 
  	i -= 1