贪心算法经典问题思路、代码

贪心算法基本思想

贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路径问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。

局部最优 -> 整体最优

贪心算法的基本要素

1. 贪心选择性质

所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。这是贪心算法可行的第一个基本要素，也是贪心算法与动态规划算法的主要区别。

动态规划算法通常以自底向上的方式解各子问题；
而贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。至问题的整体最优解。

2. 最优子结构性质

当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。

3. 贪心算法与动态规划算法的差距

贪心算法和动态规划算法都要求问题具有最优子结构性质，这是两类算法的一个共同点。但是，对于具有最优子结构的问题应该选用贪心算法还是动态规划算法求解？能用动态规划算法求解的问题是否也能用贪心算法求解？

经典问题

1. 活动安排问题

问题描述

设有n个活动的集合E={1, 2, …, n},其中每个活动都要求使用同一资源，如演讲会场等，而在同一时间内只有一个活动能使用这一资源。
每个活动i都有一个要求使用该资源的起始时间si和一个结束时间fi,且si<fi。
如果选择了活动i，则它在半开时间区间[si, fi)内占用资源。
若区间[si, fi)与区间[sj, fj)不相交，则称活动i与活动j是相容的。也就是说，当si>=fj或fj>=fi时，活动i与活动j相容。
在所给的活动集合中选出最大的相容活动子集合

解决思路

将所有的活动根据其结束时间按照非减序排列，每次总是选择具有最早完成时间的相容活动加入集合A中。
直观上，按这种方法选择相容活动为未安排活动留下尽可能多的时间。也就是说，该算法的贪心选择的意义是使剩余的可安排的时间段极大化，以便安排尽可能多的相容活动。

核心代码

template<class Type> 
void GreedySelector(int n, Types[], Typef[], bool A[])
{
	A[1] = true;
	int j = 1;  // 当前进行的活动 
	for(int i=2; i<=n; i++){  // 这个活动与上个进行的活动相容 
		if(s[i] >= f[j]){
			A[i] = true;
			j = i;
		}
		else
			A[i] = false;
	}
}

算法效率

输入的活动已按结束时间的非减序排列，O(n)
未按时间的非减序排列，可以用O(nlogn)的时间重排

2. 0-1背包问题

问题描述

给定n种物品和一个背包。物品i的重量是Wi,其价值为Vi,背包的容量为C。应如何选择装入背包的物品，使得装入背包种物品的总价值最大？
在选择装入背包的物品时，对每种物品i只有2种选择，即装入背包或不装入背包。不能将物品i装入背包多次，也不能只装入部分的物品i。

解决思路

对于0-1背包问题，贪心选择不能得到最优解。因为在这种情况下，它无法保证最终能将背包装满，部分闲置的背包空间使每公斤背包空间的价值降低了。事实上，在考虑0-1背包问题时，应比较选择该物品和不选择该物品所导致的最终方案，然后再作出最好选择。由此就导出许多互相重叠的子问题。这正是该问题可用动态规划算法求解的另一重要特征。
动态规划算法可以有效解0-1背包问题。

背包问题

问题描述

与0-1背包问题类似，所不同的是在选择物品i装入背包时，可以选择物品i的一部分，而不一定要全部装入背包。

解决思路

首先计算每种物品单位重量的价值Vi/Wi，然后依贪心选择策略，将尽可能多的单位重量价值最高的物品装入背包。若将这种物品全部装入背包后，背包内的物品总重量未超过C，则选择单位重量价值次高的物品尽可能多地装入背包。依次策略一直地进行下去，直到背包装满为止。

核心代码

void Knapsack(int n, float v[], float w[], float x[])
{
	Sort(n, v, w);
	int i;
	for(i=1; i<=n; i++)
		x[i] = 0;
	float c = M;
	for(int i=1; i<=n; i++){
		if(w[i]>c) break;  // 物品重量大于背包容量
		x[i] = 1;
		c -= w[i]; 
	}
	if(i<=n)  // 空间不够只取部分 
		x[i] = c/w[i];
}

算法效率

算法的计算时间上界为O(nlogn)