要点:
1.贪婪算法是一种近似算法,可以用来解决一些NP完全问题。
2.元素较少时算法的运行速度很快,随着元素数量增加,速度变得非常慢。这是NP完全问题。
3.涉及‘所有组合’的问题通常是NP完全问题
4.不能将问题分成小问题,必须考虑各种可能的情况。这可能是NP完全问题。
5.如果问题设计序列(类似城市序列)并且难以解决,这可能是NP完全问题。
6.如果问题涉及集合并且难以解决,可能是NP完全问题。
7.如果问题可以转换为集合覆盖问题或者旅行商问题,这一定是NP完全问题。
例:
你需要举办一个广播节目,让美国50个州观众都听到,你需要选择最少的广播台并且覆盖所有的州,每个广播台都有相应的州。这个符合集合覆盖问题,是NP完全问题,下面是简单的代码示例。
#找到覆盖州最小的集合,近似算法
states_needed = set(['a','b','c','d','e','f','g','h','i'])
#列出需要的州集合
stations = {}
stations['kone'] = set(['a','b','c','e'])
stations['ktwo'] = set(['a','c','e','i'])
stations['kf'] = set(['e','f','g','h'])
stations['ko'] = set(['h','i','g','d'])
#列出每个广播台所覆盖的州
final_stations = set()
#用来存储所需要的广播台
while states_needed:
#当需要的州不为空的时候
best_station = None
states_covered = set()
# 新设最好的广播台和覆盖的州
for station,states_for_station in stations.items():
covered = states_needed & states_for_station
#取2个合集的交集进行比较,然后取出交集最大的那个广播台
if len(covered) > len(states_covered):
best_station = station
states_covered = covered
states_needed -= states_covered
final_stations.add(best_station)
print(final_stations)