算法分析与设计——第五章复习：贪心算法

贪心算法：

---

一、贪心算法的思想：

是一种在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是最好或最优的算法。

二、贪心算法的应用：一般背包问题

问题描述：

已知：

• 有 n 种物品、有一个承重量为 $M$ 的背包
• n 种物品的重量分别为$(w_1,w_2,\dots ,w_n)$
• n 种物品放入背包所获得的效益分别是$(p_1,p_2,\dots ,p_n)(p_i>0)$
  若将物品i的一部分$x_i$ ($0\leqq x_i\leqq 1$)放入背包，则获得效益$p_i{x}_i$

问题：
在背包可承重范围内，采用怎样的装包方法会使装入背包物品的总效益为最大？

问题分析：
求出一个($x_1,x_2,\dots ,x_n$)，要求在满足${\sum }_{i=1}^n{w}_i{x}_i\leqq M$的条件下，
使得总效益 ${\sum }_{i=1}^n{p}_i{x}_i$ 最大。
满足约束条件的($x_1,x_2,\dots ,x_n$)，称为“可行解”。
使得总效益最大的可行解，称为“最优解”。

一般背包问题中度量标准的选择：

效益值$p_i$、重量$w_i$等都可以作为度量标准。
我们采用效益值和重量之比做为量度标准

一般背包问题的实例：

有3个物品, 即$n=3$
背包能承载的最大重量为20, 即$M=20$
物品的价值和重量: $$\begin{gathered} (p_1,p_2,p_3)=(25,24,15), \\ (w_1,w_2,w_3)=(18,15,10) \end{gathered}$$

• 步骤1. 将物品按单位重量效益的非增次序排序（递减）， $(\frac{p_2}{w_2},\frac{p_3}{w_3},\frac{p_1}{w_1})=(\frac{24}{15},\frac{15}{10},\frac{25}{18})$
• 步骤2. 按该次序逐一放物品
  首先放入物品2，$x_2=1$
  然后放入物品3，因剩余容量为$20-w_2=5$，故只能放入物品3的$\frac{5}{10}$，即$\frac{1}{2}$
  总效益值为${\sum }_{i=1}^n{p}_i{x}_i=24+15\times \frac{1}{2}=31.5$

一般背包问题的贪心算法：

首先给出定理：在物品排序后，通过Greedy-Knapsack算法得到的贪心解X是背包问题的一个最优解。

证明一般背包的贪心算法中贪心解是最优解：

证明的基本思想：

• 把贪心解X与任一最优解Y相比较，如果这两个解不同，就去找第一个不同的$x_i$
• 在最优解Y中，设法用贪心解的$x_i$去替换最优解的$y_i$ ，并证明最优解在分量代换前后的总效益值无任何变化。
• 反复进行这种代换, 直到新产生的最优解与贪心解完全一样, 从而证明了贪心解就是最优解。

证明：

附——$y_k<x_k$ 的证明：

我们继续证明：

贪心方法的核心：

选择能产生问题最优解的最优量度标准是使用贪婪算法的核心。

三、贪心算法的应用：带有限期的作业排序问题

问题描述：

假定只能在一台机器上处理$n$个作业：

• 每个作业均可在单位时间内完成;
• 每个作业i都有一个截止期限$d_i>0$(di是整数), 当且仅当作业 $i$ 在它的期限截止之前被完成时，方可获得 $p_i>0$ 的效益。

问题的可行解：

• 可行解是这 $n$ 个作业的一个子集合 $J$，$J$ 中的每个作业都能在各自的截止期限之前完成
• 可行解的效益值是 $J$ 中这些作业的效益之和$\sum p_j$

问题的最优解：
具有最大效益值的可行解就是最优解

作业排序问题的标准度量的选择：

选择目标函数 $\sum p_j$ 作为量度标准，则下一个要计入的作业将是使 $\sum p_j$ 得到最大增加的作业，只需将各作业按效益$p_j$降序来排列,即: $p_1\leqq p_2\leqq \dots \leqq p_n$

作业排序问题的贪心算法：

给出定理：

对于作业排序问题，算法 GREEDY_JOB 所描述的贪心方法总是得到一个最优解。

证明GREEDY——JOB算法中贪心解是最优解：

考虑最优解不等于贪心解的情况

• 情况一：
  若 𝐼⊂𝐽，则 𝐼 的效益 < 𝐽 的效益，这与 $I$ 是最优解矛盾，故 𝐼⊂𝐽 不可能。
• 情况二：
  
• 情况三：
  先考虑 $I$ 和 $J$ 的交集中的作业。
  
  再考虑$J\cap I$以外的作业.
  
  

如何判断一个子集合是否是一个可行解？

定理:

设 $J$ 是 $k$ 个作业的集合, $\delta =i_1,i_2,\dots ,i_k$是 $J$ 中作业的一种排列, 它使得$d_{i_1}\leqq d_{i_2}\leqq \dots \leqq d_{i_k}$。则：
$J$ 是一个可行解 当且仅当 $J$ 中的作业可以按照 $\delta$ 的次序排列是一个可行调度表。

定理证明：

证明完毕。

如何判断（保证） J ∪ { i } J∪ \left\{ i \right\} J∪{i}是否为可行解？

方法一：向 $J$ 中插入 $i$

• while循环中红字 $D(J(r))\ne r$ 为了保证 $J$ 中向后移动一位的作业不会超时。

方法二：对作业 $i$ 分配时间时, 尽可能推迟对作业 $i$ 的处理。 (在其截止期前最靠后的空时间片)

为了更好的理解这一方法，我们给出方法二的实例：

并查集的引用：

• 加权规则：并查集合并时，集合中元素数少的合并到元素数多的集合中。
• 合并操作 $UNION$( $i$ ，$j$)：使用加权规则，合并根为 $i$ 和根为 $j$ 的两个集合
• 查找算法$FIND(i)$：查找并返回含有元素 $i$ 的树根 $j$，并使用压缩规则压缩 $i$ 到根 $j$ 的所有节点，使其父节点均为 $j$

利用并查集实现方法二：

时间片区间为$[0,b]$

并查集的操作是红字和粉框中的语句。其中粉框中有对并查集的更新操作，这是重点，将在实例中进一步展现出来。

方法二的实例：

最优解 J ＝ { 1 , 2 , 3 , 4 , 6 } J＝ \left\{1,2,3,4,6\right\} J＝{1,2,3,4,6}，处理次序 4,2,3,1,6，效益值120