2019.3.13贪心算法

• 贪心算法

依据某种贪心标准，从问题的初始状态出发，直接去求每一步的最优解，通过若干次的贪心选择，最终得出整个问题的最优解。

贪心算法不是从整体上考虑问题，它所做出的选择只是在某种意义上的局部最优解。

如果一个问题可以同时用几种方法解决，贪心算法应该是最好的选择之一。

所需条件：

1. 可行的：必须满足问题​​​​​​​的约束。
2. 局部最优：它是当前步骤中所有可行选择中最佳的局部选择。
3. 不可更改：一旦作出选择,在算法的后面步骤就不可改变。

注意：

贪心算法不是对所有问题都能得到整体最优解，选择的贪心策略必须具备无后效性，即某个状态以后的过程不会影响以前的状态，只是当前状态有关。

求解过程：

（1）候选集合A：为了构造问题的解决方案，有一个候选集合A作为问题的可能解，即问题的最终解均取自于候选集合A。

（2）解集合S：随着贪心选择的进行，解集合S不断扩展，直到构成满足问题的完整解。

（3）解决函数solution：检查解集合S是否构成问题的完整解。

（4）选择函数select：即贪心策略，这是贪心法的关键，它指出哪个候选对象最有希望构成问题的解，选择函数通常和目标函数有关。

（5）可行函数feasible：检查解集合中加入一个候选对象是否可行，即解集合扩展后是否满足约束条件。

//A是问题的输入集合即候选集合
Greedy(A)
{
　　S={ };　　　　　　　　　　　//初始解集合为空集
　　while (not solution(S))　　//集合S没有构成问题的一个解
　　{
　　　　x = select(A);　　　　　//在候选集合A中做贪心选择
　　　　if feasible(S, x)　　　　//判断集合S中加入x后的解是否可行
　　　　　　S = S+{x};
　　　　　　A = A-{x};
　　}
　　return S;
｝

经典例题：背包问题

给定一个载重量为M的背包，考虑n个物品，其中第i个物品的重量 ，价值wi （1≤i≤n），要求把物品装满背包，且使背包内的物品价值最大。

#有两类背包问题（根据物品是否可以分割），如果物品不可以分割，称为0—1背包问题（动态规划）；如果物品可以分割，则称为背包问题（贪心算法）。

有3种方法来选取物品：

（1）当作0—1背包问题，用动态规划算法，获得最优值220；

（2）当作0—1背包问题，用贪心算法，按性价比从高到底顺序选取物品，获得最优值160。由于物品不可分割，剩下的空间白白浪费。

（3）当作背包问题，用贪心算法，按性价比从高到底的顺序选取物品，获得最优值240。由于物品可以分割，剩下的空间装入物品3的一部分，而获得了更好的性能。

​​​​​​​

struct bag{
	int w;			//物品的重量
	int v;			//物品的价值
	double c;		//性价比
}a[1001];			//存放物品的数组
排序因子（按性价比降序）：
bool cmp(bag a, bag b){
	return a.c >= b.c;
}
使用标准模板库函数排序（最好使用stable_sort()函数，在性价比相同时保持输入的顺序）：
sort(a, a+n, cmp);
//形参n是物品的数量，c是背包的容量M，数组a是按物品的性价比降序排序
double knapsack(int n, bag a[], double c)
{
　　double cleft = c;　　　　　　　　//背包的剩余容量
　　int i = 0;
　　double b = 0;　　　　　　　　　　//获得的价值
　　//当背包还能完全装入物品i
　　while(i<n && a[i].w<cleft)
　　{
　　　　cleft -= a[i].w;
　　　　b += a[i].v;
　　　　i++;
　　}
　　//装满背包的剩余空间
　　if (i<n) b += 1.0*a[i].v*cleft/a[i].w;
　　return b;
}

• 个人总结：

最近感觉STL对我来说学起来真的是比较吃力，做题时发现不知道怎么运用所学的知识，还有就是即使知道了解题的思路，也没办法完整的写出程序，再就是费了九牛二虎之力写出程序，提交时出来的结果却是W或者超时...再就是可能因为刚开学的原因，时间调整的不是很好，总感觉没有足够的时间来做练习....

从原来那个狭小的空间走出来之后，才发现外面的天空有多么的广阔。天外有天，人外有人，像我这样原来一点没接触过程序的人，感到了深深的压力，这也意味着我要付出更多的努力，加油吧！