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:
- 哈夫曼树
- 最小生成树算法:Prim、Kruskal
- 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}