Python贪心算法

qq_16762859

于 2024-11-19 12:00:17 发布

阅读量838

点赞数 25

文章标签： python 贪心算法 ios

本文链接：https://blog.csdn.net/qq_16762859/article/details/143879636

版权

Python贪心算法

当然，下面是一份关于 Python 中贪心算法的详细文档。这份文档将涵盖贪心算法的基本概念、适用场景、实现步骤，并提供一些具体的 Python 代码示例。

贪心算法详解

1. 概述

贪心算法（Greedy Algorithm）是一种在每一步选择中都采取当前状态下最优选择的算法，期望通过一系列局部最优的选择最终达到全局最优解。虽然贪心算法不能保证总是得到全局最优解，但在某些问题上它能够提供一个近似解或最优解。

2. 适用场景

贪心算法适用于以下几种情况：

最优子结构：问题的最优解可以通过子问题的最优解来构建。
贪心选择性质：每一步选择的局部最优解可以导致全局最优解。

常见的应用包括：

最小生成树（Kruskal 算法和 Prim 算法）
霍夫曼编码
背包问题（分数背包问题）
活动选择问题
币值找零问题

3. 实现步骤

贪心算法的一般实现步骤如下：

初始化：确定初始状态和数据结构。
选择：在每一步中，选择当前状态下最优的选择。
更新：根据选择更新状态。
终止：当满足某个终止条件时，结束算法。

4. 示例代码

4.1 分数背包问题

分数背包问题是指在给定一组物品，每个物品有一个重量和价值，在不超过总重量限制的情况下，最大化总价值。每个物品可以取部分。

def fractional_knapsack(value, weight, capacity):
    """ 解决分数背包问题的贪心算法
    :param value: 物品的价值列表
    :param weight: 物品的重量列表
    :param capacity: 背包的容量
    :return: 最大价值
    """
    # 计算每个物品的单位重量价值
    index = list(range(len(value)))
    ratio = [v / w for v, w in zip(value, weight)]
    
    # 根据单位重量价值降序排序
    index.sort(key=lambda i: ratio[i], reverse=True)
    
    max_value = 0
    fractions = [0] * len(value)
    
    for i in index:
        if weight[i] <= capacity:
            # 如果当前物品可以完全放入背包
            fractions[i] = 1
            max_value += value[i]
            capacity -= weight[i]
        else:
            # 如果当前物品只能部分放入背包
            fractions[i] = capacity / weight[i]
            max_value += value[i] * fractions[i]
            break
    
    return max_value, fractions

# 示例
value = [60, 100, 120]
weight = [10, 20, 30]
capacity = 50
max_value, fractions = fractional_knapsack(value, weight, capacity)
print("最大价值:", max_value)
print("每个物品的选取比例:", fractions)

4.2 活动选择问题

活动选择问题是选择尽可能多的互不重叠的活动。

def activity_selection(start, finish):
    """ 解决活动选择问题的贪心算法
    :param start: 活动开始时间列表
    :param finish: 活动结束时间列表
    :return: 选择的活动索引
    """
    n = len(start)
    activities = list(zip(start, finish, range(n)))
    # 按结束时间升序排序
    activities.sort(key=lambda x: x[1])
    

    selected = [ ]

    last_finish_time = 0
    
    for i in range(n):
        if activities[i][0] >= last_finish_time:
            selected.append(activities[i][2])
            last_finish_time = activities[i][1]
    
    return selected

# 示例
start = [1, 3, 0, 5, 8, 5]
finish = [2, 4, 6, 7, 9, 9]
selected_activities = activity_selection(start, finish)
print("选择的活动索引:", selected_activities)

4.3 币值找零问题

币值找零问题是用最少的硬币数量凑成给定金额。

def min_coins(coins, amount):
    """ 使用贪心算法解决币值找零问题
    :param coins: 可用的硬币面额列表
    :param amount
### 4.3 币值找零问题（续）

```python
    :param amount: 需要凑成的金额
    :return: 所需最少硬币数量及其面额组合
    """
    # 确保硬币面额从大到小排序，以优先使用较大面额的硬币
    coins.sort(reverse=True)
    
    # 记录每种面额硬币使用的数量
    coin_count = [0] * len(coins)
    total_coins = 0
    
    for i, coin in enumerate(coins):
        while amount >= coin:
            amount -= coin
            coin_count[i] += 1
            total_coins += 1
            
    return total_coins, coin_count

# 示例
coins = [1, 5, 10, 25]
amount = 63
total_coins, coin_count = min_coins(coins, amount)
print("最少需要硬币数:", total_coins)
print("每种面额硬币的数量:", coin_count)

在这个例子中，我们首先对硬币面额进行了降序排列，这样在每次迭代时总是尝试使用最大可能的面额来减少剩余金额。这种方法虽然简单且直观，但并不保证对于所有硬币集合都能找到最优解。例如，如果硬币面额为[1, 3, 4]而目标金额为6，则按照贪心策略得到的结果是(4, 1, 1)，总共使用了3枚硬币；但实际上最优解应该是只用两枚3元硬币。