算法图解--贪婪算法与NP完全问题

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)