算法图解第八章贪婪算法

贪婪算法:每步的局部最优解,可能是全局最优解。

问题1：有几个广播台，每个广播台都覆盖特定的区域，不同的广播台的覆盖区域可能重叠。找出覆盖全美50个州的最小广播台集合。

1）选出这样一个广播台，即它覆盖了最多的未覆盖州。即便这个广播台覆盖了一些已覆盖的州，也没有关系。

2）重复第一步，直到覆盖了所有的州。

这个实例中，贪婪算法的时间复杂度为o（n^2）

python中集合类似于列表，只是同样的元素只能出现一次，即集合不能包含重复的元素。

代码实例：

# 首先，创建一个列表，其中包含要覆盖的州
states_needed = set(["mt", "wa", "or", "id", "nv", "ut", "ca", "az"])
# 还需要有可供选择的广播台清单，我选择使用散列表来表示它。
stations = {}
stations["kone"] = set(["id", "nv", "ut"])
stations["ktwo"] = set(["wa", "id", "mt"])
stations["kthree"] = set(["or", "nv", "ca"])
stations["kfour"] = set(["nv", "ut"])
stations["kfive"] = set(["ca", "az"])
# 使用一个集合来存储最终选择的广播台
final_stations = set()
# 需要遍历所有的广播台，从中选择覆盖了最多的未覆盖州的广播台。将这个广播台存储在best_station中
while states_needed:
    best_station = None
    states_covered = set()
    # states_covered 是一个集合，包含该广播台覆盖的所有未覆盖的州。for循环迭代每个广播台，并确定它是否是最佳的广播台。
    for station, states_for_station in stations.items():
        covered = states_needed & states_for_station # 计算交集
        if len(covered) > len(states_covered):
            best_station = station
            states_covered = covered
    states_needed -= states_covered
    final_stations.add(best_station)
print(final_stations)

 

NP完全问题：

1）旅行商问题

旅行者需要前往5个不同的城市，他需要找出前往这5个城市的最短路径

涉及两个城市，可能的路线是2条

涉及三个城市，可能的路线是6条

涉及4个城市，可能的路线是24条

涉及n个城市，可能的路线是n！条

旅行商问题和集合覆盖问题有一些共同之处：你需要计算所有的解，并从中选出最小或者最短的那个。这两个问题都属于NP完全问题。

旅行商贪婪策略：随便选择出发的城市，然后每次选择要去的下一个城市时，都选择还没去过的最近的城市。

 

如何判断问题是不是NP完全问题

1）元素较少时算法的运行速度非常快，但随着元素数量的增加，速度会变得非常慢。

2）涉及“所有组合”的问题通常是NP完全问题。

3）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。

4）如果问题涉及序列（如旅行商问题的城市序列）且难以解决，它可能就是NP完全问题。

5）如果问题涉及集合（如广播集合）且难以解决，它可能就是NP完全问题。

6）如果问题可转换为集合覆盖问题或者旅行商问题，那它肯定是NP完全问题。