贪婪算法之最大相容集合

1.贪婪算法的基本思想

        求解一个最优化问题包含一系列的步骤，每一步都有一组选择，做出在当前看来最好的选择，希望通过做出局部优化选择来达到全局优化选择，这就是贪婪算法的基本思想。

        贪婪算法能否产生优化解具有两个条件：Greedy选择性和优化子结构。

        Greedy选择性：若一个优化问题的全局优化解可以通过局部优化地选择得到，则该问题具有Greedy选择性。

        优化子结构：若一个优化问题的优化解包含他的子问题的优化解，则称其具有优化子结构。

2.求解最大相容集合

2.1 问题定义

       输入：S = { 1, 2, ... , n }, F = { [si, fi] }, n ≥ i ≥ 1;

       输出：S的最大相容集合；

       题目大意就是已知n个活动的开始和结束时间，求出在时间不冲突的情况下，最多可举行活动的数量。

2.2 算法分析

为了选择最多相容的活动，每次选择fi最小的活动，这样我们就能选择更多的活动。该问题是否可以使用贪婪算法需要我们讨论此问题是否满足Greedy选择性和优化子结构，分析如下图所示。

       理论依据有了，就可以大胆编写代码来实现了。

3.代码实现

import numpy as np

# 需要安排的活动集合
activity_set = np.array([[2,3],[4,5],[6,8],[2,5],[3,6],[5,6]])

# 活动数目
num = len(activity_set)

# 定义一个集合存放最终结果
result_set = set()

# 将活动按照结束时间递增排序
activity_set = activity_set[activity_set[:,1].argsort()]

# 把第一个活动放入结果集合
result_set.add((activity_set[0][0],activity_set[0][1]))

# 从第二个活动开始遍历，若活动的开始时间在前一个活动结束时间之后，那此活动相容，
#并且该活动也变成衡量其他活动是否相容的对象
j = 0
i = 1
while i < num:
    if activity_set[i][0] >= activity_set[j][1]:
        result_set.add((activity_set[i][0],activity_set[i][1]))
        j = i
    i += 1

print '相容最大集合为：',result_set

4.时间复杂性分析
        -如果结束时间已排序：O(n)
        -如果结束时间未排序：O(nlogn)