朴素的贪心法简析及案例

最新推荐文章于 2024-10-14 16:01:46 发布

极致人生-010

最新推荐文章于 2024-10-14 16:01:46 发布

阅读量649

点赞数 26

文章标签：贪心算法

本文链接：https://blog.csdn.net/qqrrjj2011/article/details/140369384

版权

文章目录

朴素的贪心法是一种在每一步选择中都采取在当前看来最优（或局部最优）的选择，从而希望导致全局最优解的算法策略。这种策略不考虑整体解决方案的空间，而是基于这样一种假设：通过一系列局部最优的选择，最终能够达到全局最优解。然而，这种假设并不总是成立，因此贪心算法在某些问题上可能无法得到最优解，但在其他一些特定问题上却能高效地找到最优或近似最优解。

贪心算法的基本原则可以总结为以下几个方面：

最优子结构：问题的最优解包含其子问题的最优解。
贪心选择性质：在每一步选择中，所作的决策都是当前状态下最好或最优的选择，且不会影响后续步骤做出更优决策的能力。
无后效性：当前的决策仅依赖于当前状态，与过去的决策和子问题的解决方式无关。

适用贪心策略的经典问题包括：

活动选择问题：从多个有重叠时间的活动中选择最多的非重叠活动参加，每次选择结束时间最早的未结束活动。
哈夫曼编码：构建最优前缀码，每次合并频率最小的两个结点。
Prim算法和Kruskal算法求最小生成树：Prim算法每次选择连接已选择顶点的最小权边，Kruskal算法每次选择所有边中权值最小且不形成环的边。
Dijkstra算法求单源最短路径：每次从未加入最短路径集合的顶点中选择距离源点最近的顶点加入。

需要注意的是，虽然这些算法基于贪心策略，但它们的成功应用往往依赖于问题的具体性质，确保局部最优选择能导向全局最优解。在设计贪心算法时，必须仔细分析问题是否满足贪心选择的条件。对于不满足这些条件的问题，如旅行商问题（TSP），直接使用贪心策略通常得不到最优解。
当然，除了上面提到的应用，贪心算法还适用于其他多种场景，这里列举几个额外的例子来进一步说明贪心策略的应用范围：

币值兑换问题：给定不同面额的硬币和一个总金额，每次选择尽可能大的硬币进行兑换，直到凑足总金额。这个策略在大多数情况下能有效减少硬币的数量，但需要确保硬币序列是提前排序好的，并且存在某种机制可以找回（如果选择了过大的硬币）。
背包问题的一个变种：分数背包问题，在这个问题中，每个物品有一个价值和一个重量，但与经典的0/1背包问题不同，可以取物品的一部分。贪心策略是按照单位重量的价值比从高到低排序物品，然后尽可能多地选取这些物品直至背包装满。这种方法不能保证全局最优解，但对于分数背包问题，它可以得到一个相对不错的近似解。
任务调度问题：在有截止日期的任务调度中，如果任务之间没有依赖关系，可以按照完成任务所需的最短时间来优先安排，这是一种贪心策略。尽管这可能不是所有情况下的最佳策略，但在简化版的问题中，它可以帮助快速确定一个合理的调度方案。

尽管贪心算法在某些问题上表现优秀，但它的局限性也很明显，主要体现在：

全局最优性难以保证：除非问题具有特定的性质（如贪心选择性质和最优子结构），否则贪心算法可能得到非最优解。
对问题的结构敏感：算法的有效性高度依赖于问题的定义和约束条件，有时候微小的变化就可能导致算法失效。
缺乏回溯机制：一旦做出选择，贪心算法不会撤销之前的决定去探索可能更好的全局解决方案。

因此，在实际应用中，选择是否采用贪心算法，以及如何设计贪心策略，都需要深入分析问题的具体特点。

下面是一个使用Python编写的解决活动选择问题的贪心算法示例代码：

def activitySelection(start_times, end_times):
    # 将活动按结束时间从小到大排序，同时保持开始时间与之对应
    activities = sorted(zip(start_times, end_times), key=lambda x: x[1])
    selected_activities = [activities[0]]  # 初始化选择的第一个活动

    for current in activities[1:]:
        # 如果当前活动的开始时间大于前一个选择活动的结束时间，则可以添加该活动
        if current[0] >= selected_activities[-1][1]:
            selected_activities.append(current)

    # 提取活动的编号（假设原始输入是活动编号而非时间）
    # 注意：此处为了简化，假设输入就是按活动编号顺序给出的，实际情况可能需要调整以匹配原始活动编号
    selected_activity_nums = [i+1 for i, _ in enumerate(selected_activities)]
    
    return selected_activity_nums, len(selected_activities)

# 示例输入
start_times = [1, 3, 0, 5, 8, 5]
end_times =   [2, 4, 6, 7, 9, 9]

# 调用函数
selected_activities, total_selected = activitySelection(start_times, end_times)

print(f"Selected Activities: {selected_activities}")
print(f"Total Number of Selected Activities: {total_selected}")