《算法图解》第八章贪婪算法学习心得

1、近似算法

近似算法 （approximation algorithm） 。 在获得精确解需要的时间太长时， 可使用近似算法。 判断近似算法优劣的标准如下：

• 速度有多快；
• 得到的近似解与最优解的接近程度。

集合覆盖问题算法举例

states_need=set(["mt", "wa", "or", "id", "nv", "ut","ca", "az"])#传入一个数组， 它被转换为集合

#可供选择的广播台清单
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"])

#最终选择的广播台集合
final_stations=set()

while states_need:
    best_station=None
    states_covered=set()
    for station,states_for_station in stations.items():
        covered=states_need & states_for_station#求交集
        if len(covered)>len(states_covered):
            best_station=station
            states_covered=covered
        states_need-=states_covered
        final_stations.add(best_station)

贪婪算法和精确算法的运行时间比较：

2、NP完全问题

NP完全问题的简单定义是， 以难解著称的问题， 如旅行商问题和集合覆盖问题。 很多非常聪明的人都认为， 根本不可能编写出可快速解决这些问题的算法。

判断NP完全问题：

• 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。
• 涉及“所有组合”的问题通常是NP完全问题。
• 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。
• 如果问题涉及序列（如旅行商问题中的城市序列） 且难以解决， 它可能就是NP完全问题。
• 如果问题涉及集合（如广播台集合） 且难以解决， 它可能就是NP完全问题。
• 如果问题可转换为集合覆盖问题或旅行商问题， 那它肯定是NP完全问题。

3、小结

• 贪婪算法寻找局部最优解， 企图以这种方式获得全局最优解。
• 对于NP完全问题， 还没有找到快速解决方案。
• 面临NP完全问题时， 最佳的做法是使用近似算法。
• 贪婪算法易于实现、 运行速度快， 是不错的近似算法。

4、练习

• 你在一家家具公司工作， 需要将家具发往全国各地， 为此你需要将箱子装上卡车。 每个箱子的尺寸各不相同， 你需要尽可能利用每辆卡车的空间， 为此你将如何选择要装上卡车的箱子呢？ 请设计一种贪婪算法。 使用这种算法能得到最优解吗？

一种贪婪策略是， 选择可装入卡车剩余空间内的最大箱子， 并重复这个过程， 直到不能再装入箱子为止。 使用这种算法不能得到最优解。

• 你要去欧洲旅行， 总行程为7天。 对于每个旅游胜地， 你都给它分配一个价值——表 示你有多想去那里看看， 并估算出需要多长时间。你如何将这次旅行的价值最大化？ 请设计一种贪婪算法。 使用这种算法能得到最优解吗？

不断地挑选可在余下的时间内完成的价值最大的活动， 直到余下的时间不够完成任何活动为止。 使用这种算法不能得到最优解。

• 下面各种算法是否是贪婪算法。

快速排序。

不是

广度优先搜索。

是

狄克斯特拉算法。

是

• 有个邮递员负责给20个家庭送信， 需要找出经过这20个家庭的最短路径。 请问这是一个NP完全问题吗？

是

• 在一堆人中找出最大的朋友圈（即其中任何两个人都相识） 是NP完全问题吗？

是

• 你要制作美国地图， 需要用不同的颜色标出相邻的州。 为此， 你需要确定最少需要使用多少种颜色， 才能确保任何两个相邻州的颜色都不同。 请问这是NP完全问题吗？

是