贪婪算法

1、概念

贪婪算法： 每步都采取最优的做法。
优点： 简单易行。
特点： 得到的结果是最优解或者与最优解相当接近。所以也不是任何情况下行之有效的。可以看成是一个近似算法。

2、教室课表调度问题

课程表如下，如何选出尽可能多且时间不冲突的课程呢？

英语	8 ：00 AM	9：00 AM
思修	8：30 AM	9：30 AM
C语言	9：00 AM	10：00 AM
计算机概论	9：40 AM	10：40 AM
Python	10：20 AM	11：20 AM

贪婪算法做法具体如下：

1. 选出最早结束的课，就是要在这间教室上的第一堂课。
2. 接下来，必须选择第一堂课后才开始的课。同样，选择最早结束的课，这将是要在这间教室上的第二堂课。以此类推。

最终贪婪算法求出这间教室课表安排顺序为： 英语、C语言、Python。

3、背包问题

举例背包问题主要讨论贪婪算法并非是在任何情况下行之有效的。

假设你是一个小偷，你背着可装35磅重东西的背包，在商场伺机盗窃各种可装入背包的商品。商场的商品重量和价格如下：

商品名	价格	重量
音响	6000美元	30磅
笔记本电脑	4000美元	20磅
吉他	3000美元	15磅

采用贪婪策略，具体做法如下：

1. 盗窃可装入背包的最贵商品。
2. 再盗窃还可装入背包的最贵商品，以此类推。

采用贪婪策略求出只偷到了6000美元的东西，但是如果不偷音响，而是偷笔记本和吉他，那将偷到7000美元的东西。

启示：

在某些情况下，完美是优秀的敌人。有时候，你只需要找到一个能够大致解决问题的算法，此时贪婪算法正好可派上用场，因为他们实现起来很容易，得到的结果又与正确结果相当接近。

4、集合覆盖问题

假设你办了一个广播节目，要让全国的听众都能收听得到，为此你需要决定在哪些广播台播出，在每个广播台都需要支付费用，因此你力图在尽可能少的广播台播出，然而每个广播台都覆盖特定的区域，不同广播台的覆盖区域可能重叠。如何找出覆盖全国34个省级区域的最小广播台集合呢？看起来很简单，但实现起来非常难。具体方法如下：

1. 列出每个可能的广播台集合，这个被称为幂集，可能的子集为 $2^n$ 个。
2. 在这些集合中，选出覆盖全中国34个省级区域的最小集合。

此时问题来了，这时算法的运行时间为 $O(2^n)$ ,如果广播台很多，没有任何算法能足够快地解决这个问题。怎么办呢？
贪婪算法可以化解危机，使用贪婪算法可以得到非常接近的解。
使用贪婪算法步骤如下：

1. 选出这样一个广播台，即它覆盖了最多未覆盖州。即便这个广播台覆盖了一些已覆盖的省级区域，也没有关系。
2. 重复第一步，直到覆盖了所有的省级区域。

这个算法的运行时间为 $O(n^2)$,其中n为广播台数量。

代码(Python3)：

1. 出于简化考虑，假设省级区域只有江西省、广东省、湖北省、福建省、广西省、云南省、四川省、山东省。可以创建一个列表，其中包含要覆盖的省级区域。

   states_needed = set(['江西省','广东省','湖北省','福建省','广西省','云南省','四川省','山东省']) #传入一个列表，将其转换为集合
   

2. 广播台清单，使用散列表来表示。

   stations = {}
   stations['频道1'] = set(['江西省','广东省','福建省'])
   stations['频道2'] = set(['四川省','山东省','广西省'])
   stations['频道3'] = set(['山东省','湖北省','福建省'])
   stations['频道4'] = set(['云南省','湖北省','江西省'])
   

3. 最后使用一个集合来存储最终选择的广播台。

   final_stations = set()
   

4. 开始计算，遍历所有的广播台，从中选择覆盖了最多的未覆盖的广播台。将这个广播台存储在best_station中。把该广播台覆盖的所有未覆盖的省级区域放入states_covered集合。for循环每个广播台，并确定它是否是最佳的广播台。for循环结束后将best_station添加到最终的广播台列表中。

   best_station = None
   states_covered = set()
   for station,states_for_station in stations.items():
   	covered = states_needed & states_for_station #取交集
   	if len(covered) > len(states_covered):
   		best_station = station
   		states_covered = covered
   final_station.add(best_station)
   

5. 由于覆盖了一些省级区域，因此不需要覆盖这些省级区域，还需更新states_needed。

   states_needed -= states_covered 
   

6. 不断循环，直到states_needed 为空，这个循环完整代码：

   while states_needed:
   	best_station = None
   	states_covered = set()
   	for station,states_for_station in stations.items():
   		covered = states_needed & states_for_station #取交集
   		if len(covered) > len(states_covered):
   			best_station = station
   			states_covered = covered
   	states_needed -= states_covered 
   	final_stations.add(best_station)		
   

7. 最后打印final_stations,输出：
   

5、NP完全问题

NP完全问题： 多项式复杂程度的非确定性问题，简单的理解就是 “难解”，需要计算所有的解，并从中选出最小/最短的那个。所以对于NP完全问题，一般采用近似求解，采用算法如：贪婪算法。

判断是否为NP完全问题：

1. 元素较少时算法运行的速度非常快，但随着元素数量的增加，速度会变得非常慢，这时可能是NP完全问题。
2. 涉及”所有组合“的问题通常是NP问题。
3. 不能将问题分成小问题，必须考虑各种可能的情况。这个可能是NP完全问题。
4. 如果问题涉及序列（旅行商问题中的城市序列）且难以解决，它可能就是NP完全问题。
5. 如果问题涉及集合（如广播集合）且难以解决，它可能就是NP完全问题。
6. 如果问题可转换未集合覆盖或旅行商问题，那它肯定是NP完全问题。

6、总结

• 贪婪算法寻找局部最优解，企图以这种方式获取全局最优解。
• 对于NP完全问题，还没有找到快速解决的方案。
• 面临NP完全问题，最佳的做法是使用近似算法。
• 贪婪算法易于实现、运行速度快，是不错的近似算法。