聊聊贪心吧(Greedy)

贪心策略，也称为贪婪策略，每一步都采取当前状态下最优的选择（局部最优解），从而希望推导出全局最优解。

应用：

1. 哈夫曼树
2. 最小生成树算法：Prim、Kruskal
3. 最短路径算法：Dijkstra

练习1：最优装载问题（加勒比海盗）

在北美洲东南部，有一片神秘的海域，是海盗最活跃的加勒比海。有一天，海盗们截获了一艘装满各种各样古董的货船，每一件古董都价值连城，一旦打碎就失去了它的价值，海盗船的载重量为 W，每件古董的重量为 i，海盗们该如何把尽可能多数量的古董装上海盗船？

比如 W 为 30，i 分别为 3、5、4、10、7、14、2、11

◼ 贪心策略：每一次都优先选择重量最小的古董

① 选择重量为 2 的古董，剩重量 28

② 选择重量为 3 的古董，剩重量 25

③ 选择重量为 4 的古董，剩重量 21

④ 选择重量为 5 的古董，剩重量 16

⑤ 选择重量为 7 的古董，剩重量 9

最多能装载 5 个古董。

代码实现：

    int[] weights = {3,5,4,10,7,14,2,11};
	//升序排序
    Arrays.sort(weights);
    int capacity = 30, weight = 0;
    int count = 0;
    for (int i = 0; i < weights.length && weight < capacity; i++) {
        int newWeight = weight + weights[i];
        if (newWeight <= capacity) {
            weight = newWeight;
            count++;
        }
    }
    System.out.printf("一共选择了%d件古董", count);

练习2 ： 零钱兑换

假设有 25 分、10 分、5 分、1 分的硬币，现要找给客户 41 分的零钱，如何办到硬币个数最少？

◼ 贪心策略：每一次都优先选择面值最大的硬币

① 选择 25 分的硬币，剩 16 分

② 选择 10 分的硬币，剩 6 分

③ 选择 5 分的硬币，剩 1 分

④ 选择 1 分的硬币

最终的结果是共 4 枚硬币

✓ 25 分、10 分、5 分、1 分硬币各一枚

代码实现：

       int[] faces = {25,10,5,1};
        Arrays.sort(faces);
        int  money = 41, coins = 0;
        for (int i = faces.length - 1; i >= 0 && money > 0 ; i--) {
            while (faces[i] <= money) {
                money -= faces[i];
                coins++;
            }
        }
        System.out.printf("一共使用了%d硬币", coins);

零钱兑换的另一个例子

假设有 25 分、20 分、5 分、1 分的硬币，现要找给客户 41 分的零钱，如何办到硬币个数最少？

◼ 贪心策略：每一步都优先选择面值最大的硬币

① 选择 25 分的硬币，剩 16 分

② 选择 5 分的硬币，剩 11 分

③ 选择 5 分的硬币，剩 6 分

④ 选择 5 分的硬币，剩 1 分

⑤ 选择 1 分的硬币

最终的解是 1 枚 25 分、3 枚 5 分、1 枚 1 分的硬币，共 5 枚硬币

◼ 实际上本题的最优解是：2 枚 20 分、1 枚 1 分的硬币，共 3 枚硬币

注意：

贪心策略并不一定能得到全局最优解，因为一般没有测试所有可能的解，容易过早做决定，所以没法达到最佳解，贪图眼前局部的利益最大化，看不到长远未来，走一步看一步

◼ 优点：简单、高效、不需要穷举所有可能，通常作为其他算法的辅助算法来使用

◼ 缺点：鼠目寸光，不从整体上考虑其他可能，每次采取局部最优解，不会再回溯，因此很少情况会得到最优解

练习3 ： 0-1背包

有 n 件物品和一个最大承重为 W 的背包，每件物品的重量是 i、价值是 i

◼在保证总重量不超过 W 的前提下，将哪几件物品装入背包，可以使得背包的总价值最大？

◼注意：每个物品只有 1 件，也就是每个物品只能选择 0 件或者 1 件，因此称为 0-1背包问题

◼ 如果采取贪心策略，有3个方案

① 价值主导：优先选择价值最高的物品放进背包

② 重量主导：优先选择重量最轻的物品放进背包

③ 价值密度主导：优先选择价值密度最高的物品放进背包（价值密度 = 价值 ÷ 重量）

代码实现：

1）定义一个类：

public class Article {
    public int weight;
    public int value;
    public double valueDensity;

    public Article(int weight, int value) {
        this.weight = weight;
        this.value = value;
        this.valueDensity = value * 1.0 / weight;
    }

    @Override
    public String toString() {
        return "Article{" +
                "weight=" + weight +
                ", value=" + value +
                ", valueDensity=" + valueDensity +
                '}';
    }
}

2）实现：

public static void selectedArticles(String type, int capacity, Comparator<Article> c) {
        Article[] articles = new Article[]{
                new Article(35, 10), new Article(30, 40),
                new Article(60, 30), new Article(50, 50),
                new Article(40, 35), new Article(10, 40),
                new Article(25, 30)
        };
        Arrays.sort(articles, c);
        List<Article> selectedArticles = new LinkedList<>();
        int weight = 0, value = 0;
        for (int i = 0; i < articles.length && weight < capacity; i++) {
            int newWeight = weight + articles[i].weight;
            if (newWeight <= capacity) {
                weight = newWeight;
                value += articles[i].value;
                selectedArticles.add(articles[i]);
            }
        }
        System.out.println("-----------------------------------------------------------------------");
        System.out.printf("%s总价值:%d\n", type, value);
        selectedArticles.forEach(System.out::println);
    }

public static void main(String[] args) {
        int capacity = 150;
        selectedArticles("价值主导", capacity, (a1, a2) -> a2.value - a1.value);
        selectedArticles("重量主导", capacity, (a1, a2) -> a1.weight - a2.weight);
        selectedArticles("价值密度主导", capacity, (a1, a2) -> Double.compare(a2.valueDensity, a1.valueDensity));
 }

3)测试结果

-----------------------------------------------------------------------
价值主导总价值:165
Article{weight=50, value=50, valueDensity=1.0}
Article{weight=30, value=40, valueDensity=1.3333333333333333}
Article{weight=10, value=40, valueDensity=4.0}
Article{weight=40, value=35, valueDensity=0.875}
-----------------------------------------------------------------------
重量主导总价值:155
Article{weight=10, value=40, valueDensity=4.0}
Article{weight=25, value=30, valueDensity=1.2}
Article{weight=30, value=40, valueDensity=1.3333333333333333}
Article{weight=35, value=10, valueDensity=0.2857142857142857}
Article{weight=40, value=35, valueDensity=0.875}
-----------------------------------------------------------------------
价值密度主导总价值:170
Article{weight=10, value=40, valueDensity=4.0}
Article{weight=30, value=40, valueDensity=1.3333333333333333}
Article{weight=25, value=30, valueDensity=1.2}
Article{weight=50, value=50, valueDensity=1.0}
Article{weight=35, value=10, valueDensity=0.2857142857142857}