C++(数据结构与算法):59---贪婪算法(贪心算法)、贪婪算法应用（货物装载、0/1背包问题、拓扑排序、二分覆盖、单源最短路径、最小成本生成树）

最新推荐文章于 2024-05-27 10:00:22 发布

董哥的黑板报

最新推荐文章于 2024-05-27 10:00:22 发布

阅读量2.8k

点赞数 2

分类专栏： C++(数据结构与算法) 文章标签：贪婪算法贪心算法

本文链接：https://blog.csdn.net/qq_41453285/article/details/104439879

版权

C++(数据结构与算法) 专栏收录该内容

63 篇文章 70 订阅

订阅专栏

一、最优化问题

本文及后面介绍的算法例子都是“最优化问题”。每个最优化问题都包含一组“限制条件”和一个“优化函数”。符合限制条件的问题求解方案称为“可行解”。使优化函数可能取得最佳值的可行解称为“最优解”

二、贪婪算法思想

在贪婪算法中，我们要逐步构造一个最优解。每一步，我们都在一定的标准下，作出一个最优决策。在每一步做出的决策，在以后的步骤中都不可更改。做出决策所依据的标准称为贪婪准则
贪婪算法又称贪心算法

三、实际应用之找零钱

问题描述

顾客用美元来购买糖果，售货员希望用数目最少的硬币找给小孩零钱。假设有面值为25美分、10美分、5美分以及1美分的硬币，而且数目不限
售货员每次选择一枚硬币，凑成要找的零钱。选择时所依据的是贪婪准则：在不超过要找的零钱总数的条件下，每一次都选择面试尽可能最大的硬币，直到凑成的零钱总数等于要找的零钱总数
问题描述：假设要找给顾客67美分

贪婪算法解决步骤

假设要找给顾客67美分：
前两步选择的是两个25美元的硬币（第三步就不能选择25美元了，否则总数就超过67美分了）
第三步选择10美分的硬币
第四步选择5美分的硬币
最后一步是两个1美分的硬币
贪婪算法使我们有一种感觉：这样凑出来的零钱，硬币数目最少或接近最少

四、实际应用之机器调度

应用分析

有任务n个，机器不限，任务在机器上处理。每个任务的开始时间为Si，任务的完成时间为Fi，Si<Fi。[Si，Fi]为任务i的处理时段
任务重叠：两个任务i和j重叠，当且仅当两个任务的处理时段有重叠。例如时段[1,4]与时段[2,4]有重叠，而[1,4]与时段[4,7]不算重叠
一人任务分配方案是可行的：是指没有两个时段重叠的任务分配给同一台机器，即每台机器在任何时刻最多只处理一个任务
最优分配：是指使用机器最少的可行分配方案

实际问题描述

假设n=7个任务，标号从a到g，它们的处理时段如下图所示：

问题描述：机器不限，现在要把这个7个任务分配到机器上运行，且要求总共使用的机器数目是最少的（时间不做要求）

贪婪算法解决步骤

贪婪准则步骤：根据任务的开始时间，若有“旧”机器可用，则将任务分配给它。否则，将任务分配给一台“新”机器
旧机器是指：已经被使用过的
新机器：重来没有被使用过的机器
根据任务的开始与结束时间，最终的执行结果如下图所示，所有的任务总在执行的过程中，共使用过3台机器

五、实际应用之最短路径

问题描述

一个有向网如下图所示，图中的数字代表两个节点之间的距离
现在有这样一个需求：从某一个点开始达到另外一个点，每一步都向路径上加入一个订单。假设当前的路径已经达到顶点q，但还未达到终点。要求下一次选择路径时：选择一个关联于q最近，且目前不在路径中的顶点

贪婪算法解决步骤

假设从顶点1达到顶点5，贪婪算法的解决办法为：
第一步选择1->3的路径，长度为2
第二步选择3->2的路径，长度为2
第三步选择4->2的路径，长度为1
第四步选择2->5的路径，长度为5
因此总共的长度为10
备注（重点）：根据问题描述与贪婪算法，最终选择出的路径为10，但是不是最短路径（不是最优的）。例如可以执行1->4->5这条路径，长度总共为6。因此贪婪算法不一定是最优解

六、其他案例

例如，在哈夫曼树算法中（https://blog.csdn.net/qq_41453285/article/details/103649092），利用n-1步建立加权外部路径长最小的二叉树，每一步都将两个二叉树合并为一棵。算法所使用的贪婪算法为：从可用的二叉树中把权最小的两棵树组合为一棵树
例如，在LPT调度规则（https://blog.csdn.net/qq_41453285/article/details/103649089）也是一种贪婪算法。它用n步来调度n个作业。首先将作业按时间长短排序。然后每一步为下一个任务分配一台机器。依据的贪婪准则为：使目前的调度时间最短。将新作业调度到最先完成的机器上（即最先空闲的机器）。注意，这种问题中，贪婪算法并不能保证最优解

七、一些其他术语概念

通过上面一些问题可以知道，贪婪法则虽然不能保证最优解（例如上面的最短路径问题），但是一般情况下它的解总是接近最优的。这是一种经验法则。所得的结果通常都接近最优解，这种算法称为“启发式方法”
如果启发式方法与最佳犯法之间还有一种限定关系，那么我们我们称这种启发式方法具有“限定性能”
具有限定限定性能的启发式方法称为“近似算法”

八、编码案例（货物装载）

问题描述：有一艘船要状态货物，所有的货箱的大小都一样，但是货箱的重量各不相同
现在我们的要求是：在不超载的情况下，在货船上状态数量最多的货物

贪婪算法解决

思想：选择货箱时，从生下的货箱中，选择重量最小的货箱，那么就可以保证装入的货箱的数目最多
例如：假设n=8个货箱，x为货箱的编号，重量w分别为[100,200,50,91,150,50,20,80]，船的最大超载c=400。那么根据贪婪算法，可以在船上装载的货箱编号为7、3、6、8、4、1、5、2，总重量为390，此时得到的是最优解[x1,...x8]=[1,0,1,1,0,1,1,1]
定理：利用上述贪婪算法能产生最佳装载。该定理的证明如下

C++代码实现

#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;

//用于表示货箱
struct container {
    container(int _id, int _weight, int _flag = 0) 
        :id(_id), weight(_weight), flag(_flag) {}
    int id;    //货箱编号
    int weight;//货箱重量
    int flag;  //用于表示是否装载进货船。0表示没有，1表示有
};

/*
参数:
    c：货箱集合
    capacity：船的最大超载容量
*/
void containterLoading(const std::vector<container*>& c, int capacity)
{
    //如果船未超载，那么进行装箱操作
    for (auto iter = c.begin(); ((iter != c.end()) && ((*iter)->weight <= capacity)); ++iter) {
        (*iter)->flag = 1;
        capacity -= (*iter)->weight;
    }
}

bool isMax(const container* p1, const container* p2)
{
    return p1->weight < p2->weight;
}

int main()
{
    //初始哈8个货箱
    std::vector<container*> vec;
    vec.push_back(new container(1, 100));
    vec.push_back(new container(2, 200));
    vec.push_back(new container(3, 50));
    vec.push_back(new container(4, 90));
    vec.push_back(new container(5, 150));
    vec.push_back(new container(6, 50));
    vec.push_back(new container(7, 20));
    vec.push_back(new container(8, 80));

    //根据container的重量对所有的货箱进行排序
    std::sort(vec.begin(), vec.end(), isMax);

    //装箱操作
    containterLoading(vec, 400);

    //打印信息
    std::cout << "The number of the case being loaded is :";
    for (auto iter = vec.cbegin(); iter != vec.cend(); ++iter) {
        if ((*iter)->flag)
            std::cout << (*iter)->id << " ";
    }
    std::cout << std::endl;
    return 0;
}

运行结果如下：

九、编码案例（0/1背包问题）

问题描述

有n个物品和一个容量为c的背包。物品i的重量为Wi，价值为p。现在要从n个物品中选出一些物品装入书包中
现在的最佳要求是：在装包的物品总重量不超过背包的容量下，使装入的物品总价值最高
问题描述是：

约束条件是：

Xi=1表示物品装入背包，Xi=0表示物品没有装入背包
0/1背包问题实际上是一个一般化的装载货箱问题，只是从每个货箱所获的价值不同

贪婪策略①

规则：从剩余的物品中选出可以装入背包的价值最大的物品
这种策略不能保证最优解

贪婪策略②

规则：从剩余的物品中选出可以装入背包的重量最小的物品
这种策略也不能保证最优解

贪婪策略③

规则：从剩余的物品中选出可以装入背包的Pi/Wi值最大的物品
这种策略也不能保证最优解

启发式贪婪方法

上面讨论的三种算法都不能保证最优解，但是我们不必沮丧。0/1背包问题是一个NP-复杂问题
其中策略③虽然不能保证最优解，但是我们认为它是一个好的启发式算法，而且很多时候，它的解非常接近最优解。在一项实验中，对随机产生的600个背包问题，利用这种启发式贪婪算法得到的解有239个为最优解，有583个解与最优解相差10%，因此，所有600个解与最优解只差全在25%之内。而且算法能在O(nlogn)时间内完成，性能非常好

K阶优化

K阶优化的原理是：
首先将最多k件物品放入背包，不论它们的价值为多少
如果这k件物品超过了背包最大容量c，则放弃这种操作
如果这k件物品没有超过了背包最大容量c，继续从剩余的物品中按Pi/Wi值的递减顺序将物品逐个放入背包
现在假设n=4，w=[6,10,12,13]，p=[6,10,12,13]，c=11，Pi/Wi=[3,2.5,2,1.8]
当k=0时：将物品按其价值密度的非递增顺序放入背包。首先将物品1放入背包，然后是物品2。这是背包剩下的容量为5，不能再放入任何物品，因此解为x=[1,1,0,0]，此解的价值为16
当K=1，K=2时，结果如下：

修改后的贪婪启发式方法得到的解为K阶优化。也就是说，如果从解中取出k件物品，并放入另外k件物品，那么获得的结果不会原来的好。而且用这种方式获得值在最优值的(100/(k+1))%以内。因此，我们把这种启发式方法称为有界性能启发式
当K=1时：保证最终结果在最佳值的50%以内
当K=2时：则在33.33%以内
有界性能启发式方法的执行时间随k的增加而增加，需要尝试的自己数目为O( $n^{k}$ )，每一个子集所需时间为O(n)。还有，物品按价值比率排序所需时间为O(nlogn)。因此当k>0时，总时间为O( $n^{k+1}$ )
实际考察的性能要好的多，下图给出了600种随机测试的统计结果：

十、编码案例（拓扑排序）

待续

十一、编码案例（二分覆盖）

待续

十二、编码案例（单源最短路径）

待续

十三、编码案例（最小成本生成树）

待续

董哥的黑板报

关注

2
点赞
踩
28

收藏

觉得还不错? 一键收藏
打赏
2
评论
C++(数据结构与算法):59---贪婪算法(贪心算法)、贪婪算法应用（货物装载、0/1背包问题、拓扑排序、二分覆盖、单源最短路径、最小成本生成树）

一、最优化问题本文及后面介绍的算法例子都是“最优化问题”。每个最优化问题都包含一组“限制条件”和一个“优化函数”。符合限制条件的问题求解方案称为“可行解”。使优化函数可能取得最佳值的可行解称为“最优解”二、贪婪算法思想在贪婪算法中，我们要逐步构造一个最优解。每一步，我们都在一定的标准下，作出一个最优决策。在每一步做出的决策，在以后的步骤中都不可更改。做出决策所依据的标准称为贪婪准则三、...
复制链接

扫一扫