算法导论 活动选择问题(动态规划方法)

#include <stdio.h>
#include <stdlib.h>
#include <limits.h>
#define N 11
typedef struct ActNode
{
	int start;
	int end;
}Act,*pAct;

bool intersect(int i,int j,Act a)
{
	if(a.start>=i && a.end<=j)
		return true;
	else
		return false;
}

void dp(int **DP,int dpl,pAct ac,int len,int **Trace)
{
	for(int l=1;l<dpl;l++)
	{		
		for(int i=1;i<dpl-l+1;i++)
		{
			int j=i+l-1,temp=0,max=0,maxK=-1;
			for(int k=0;k<len;k++)
			{
				if(intersect(i,j,ac[k]))
				{
					temp=DP[i][ac[k].start]+DP[ac[k].end][j]+1;
				}
				if(temp>max)
				{
					max=temp;
					maxK=k;
				}
			}
			DP[i][j]=max;
			Trace[i][j]=maxK;
		}
	}
}

pAct initActs()
{
	pAct acts=(pAct)malloc(N*sizeof(Act));
	acts[0].start=1;
	acts[0].end=4;
	acts[1].start=3;
	acts[1].end=5;
	acts[2].start=0;
	acts[2].end=6;
	acts[3].start=5;
	acts[3].end=7;
	acts[4].start=3;
	acts[4].end=9;
	acts[5].start=5;
	acts[5].end=9;
	acts[6].start=6;
	acts[6].end=10;
	acts[7].start=8;
	acts[7].end=11;
	acts[8].start=8;
	acts[8].end=12;
	acts[9].start=2;
	acts[9].end=14;
	acts[10].start=12;
	acts[10].end=16;
	return acts;
}

void initDP(int **DP,int **Trace,int len)
{
	for(int i=0;i<len;i++)
	{
		for(int j=0;j<len;j++)
		{
			DP[i][j]=0;
			Trace[i][j]=-1;
		}
	}
}

void printDP(int **DP,int len)
{
	for(int i=1;i<len;i++)
	{
		for(int j=1;j<len;j++)
		{
			printf("%2d ",DP[i][j]);
		}
		printf("\n");
	}
}

void printTrace(int **Trace,int i,int j,int len,pAct acts)
{
	if(i<0 || i>=len || j<0 || j>=len)
		return;
	int k=Trace[i][j];
	if(k>=0)
	{
		printf("a[%d] ",k+1);
		printTrace(Trace,i,acts[k].start,len,acts);
		printTrace(Trace,acts[k].end,j,len,acts);
	}
}

void main()
{
	pAct acts=initActs();
	int len=acts[N-1].end+1;
	int **DP=(int**)malloc(len*sizeof(int*));
	int **Trace=(int**)malloc(len*sizeof(int*));
	for(int i=0;i<len;i++)
	{
		DP[i]=(int*)malloc(len*sizeof(int));
		Trace[i]=(int*)malloc(len*sizeof(int));
	}
	initDP(DP,Trace,len);
	dp(DP,len,acts,N,Trace);
	//printDP(DP,len);
	//printDP(Trace,len);
	printf("最多%d个活动\n",DP[1][len-1]);
	printTrace(Trace,1,len-1,len,acts);
	getchar();
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 贪心算法和动态规划都可以用来解决背包问题。贪心算法是一种贪心思想,每次选择当前最优的解决方案,不考虑未来的影响。而动态规划则是将问题分解成子问题,通过求解子问题的最优解来得到原问题的最优解。 在Java中,可以使用贪心算法实现背包问题,具体实现方法如下: 1. 将物品按照单位重量的价值从大到小排序。 2. 依次将物品放入背包中,直到背包装满或者物品已经全部放入。 3. 如果物品不能完全放入背包中,则将物品按照单位重量的价值从大到小的顺序,依次将物品的一部分放入背包中,直到背包装满。 动态规划实现背包问题方法如下: 1. 定义状态:设f(i,j)表示前i个物品放入容量为j的背包中所能获得的最大价值。 2. 状态转移方程:f(i,j) = max{f(i-1,j), f(i-1,j-w[i])+v[i]},其中w[i]表示第i个物品的重量,v[i]表示第i个物品的价值。 3. 初始化:f(,j) = ,f(i,) = 。 4. 最终结果:f(n,C),其中n表示物品的数量,C表示背包的容量。 以上是贪心算法和动态规划实现背包问题方法,具体实现可以参考相关的Java代码。 ### 回答2: 背包问题是计算机科学中的经典问题,贪心算法和动态规划算法都可以用来解决该问题。其中,贪心算法是一种直观而简单的算法,可以用来获取快速的近似值。在本篇文章中,我们将讨论如何使用贪心算法实现背包问题动态规划,并且使用Java语言来实现。 问题描述 背包问题是指给定一个背包和一些物品,每个物品具有重量和价值。现在需要从物品中选择一些填满背包并且总价值最大。该问题可以表示为以下的数学模型: $$ \begin{aligned} \text{max} & \sum_{i=1}^{n} v_i *x_i \\ \text{s.t.} & \sum_{i=1}^{n} w_i*x_i \leq W,\\ & x_i\in \{0,1\} \end{aligned} $$ 其中,$v_i$表示物品$i$的价值,$w_i$表示物品$i$的重量,$x_i$表示是否取该物品,$W$表示背包容量。 贪心算法思路 在使用贪心算法解决背包问题时,我们需要按照物品的单位价值(即价值除以重量)降序排列,然后选择单位价值最高的物品放入背包。如果该物品不能全部放入背包,那么我们就将它分成若干部分,选择剩余空间最大的那部分,直到背包被填满。 代码实现 以下是使用Java语言实现贪心算法的代码: ``` public static int greedy(int[] v, int[] w, int W) { int n = v.length; double[] ratio = new double[n]; for (int i = 0; i < n; i++) { ratio[i] = (double)v[i] / w[i]; } // 根据单位价值降序排列 int[] index = IntStream.range(0, n).boxed().sorted((i, j) -> Double.compare(ratio[j], ratio[i])).mapToInt(ele -> ele).toArray(); int value = 0; double remain = W; for (int i = 0; i < n && remain > 0; i++) { int idx = index[i]; if (w[idx] <= remain) { remain -= w[idx]; value += v[idx]; } else { value += v[idx] * remain / w[idx]; remain = 0; } } return value; } ``` 该方法首先计算每个物品的单位价值,然后按照降序排列。接着我们迭代每个物品,将尽可能多的物品放入背包中。如果剩余空间不足以容纳一个物品,那么就部分填充该物品。 结果分析 贪心算法虽然看起来很简单,但是这种方法并不总是能够产生最佳解。但是根据实验,贪心算法能够产生非常接近最佳解的结果。以下是使用两个不同的例子来验证我们实现的方法 问题1 给定一组物品:重量为$w=\{2,3,4,5\}$,价值为$v=\{3,4,5,6\}$。背包容量为W=8。在该问题中,贪心算法最优价值为14,而最优答案为13。 问题2 给定一组物品:重量为$w=\{31,10,20,19,4,3,6\}$,价值为$v=\{70,20,39,37,7,5,10\}$。背包容量为W=50。在该问题中,贪心算法最优价值为150,而最优答案为150。 结论 在本文中,我们介绍了如何使用贪心算法解决背包问题,并使用Java语言来实现。虽然该方法并不能总是得到最优解,但是在某些场景中,贪心算法可以产生接近最优解的结果。 ### 回答3: 背包问题是一种经典的优化问题,其中有一个物品集合和一个称重限制。我们需要从中选出一些物品放入背包中,以使得背包中的物品总价值最大,同时不超过重量限制。 对于背包问题,可以采用贪心算法或动态规划算法来求解。在这里,我们将介绍如何使用贪心算法来实现背包问题动态规划解法。 首先,我们可以计算每个物品的单位价值,即每个物品的价值除以其重量。接下来,我们将按照单位价值从大到小的顺序对物品进行排序。然后,我们依次将每个物品放入背包中,直到达到重量限制或将所有物品都放入背包为止。 在这个过程中,我们将记录已放入背包中的物品总价值,以及剩余的重量。如果将一个物品放入背包后,剩余的重量已经不能放入下一个物品,那么我们就不再继续放物品。这个过程中,我们不断更新背包的总价值,直到没有新的物品可以放入为止。 以下是Java实现贪心算法的代码: ``` public class KnapsackProblem { public static void main(String[] args) { int[] values = {60, 100, 120}; int[] weights = {10, 20, 30}; int maxWeight = 50; int result = getMaxValue(values, weights, maxWeight); System.out.println("The maximum value is " + result); } public static int getMaxValue(int[] values, int[] weights, int maxWeight) { int n = values.length; double[] unitValues = new double[n]; for (int i = 0; i < n; i++) { unitValues[i] = (double) values[i] / weights[i]; } for (int i = 0; i < n; i++) { for (int j = i + 1; j < n; j++) { if (unitValues[i] < unitValues[j]) { swap(unitValues, i, j); swap(values, i, j); swap(weights, i, j); } } } int totalWeight = maxWeight; int maxValue = 0; for (int i = 0; i < n; i++) { if (weights[i] > totalWeight) { break; } maxValue += values[i]; totalWeight -= weights[i]; } if (totalWeight > 0 && i < n) { maxValue += unitValues[i] * totalWeight; } return maxValue; } public static void swap(double[] arr, int i, int j) { double tmp = arr[i]; arr[i] = arr[j]; arr[j] = tmp; } public static void swap(int[] arr, int i, int j) { int tmp = arr[i]; arr[i] = arr[j]; arr[j] = tmp; } } ``` 这个代码首先计算每个物品的单位价值,然后将它们按照从大到小的顺序排序。对于每个物品,如果将其放入背包后,剩余的重量已经不能放入下一个物品,那么就不再继续放入物品。最终,它将返回背包中的物品总价值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值