贪心/贪婪算法

1. 贪心的思想：

贪心算法的思想是建立在局部最优选择上的。在对问题求解时，总是做出在当前看来是最好的选择，即不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法不保证会得到最优解，但是在某些问题上，贪心算法的解足够接近最优解或者完全等同于最优解。

2. 贪心的经典问题理解：

硬币找零问题

假设你是一名售货员，需要给顾客找零n元钱，你拥有的面额的硬币包括：1元、5元、10元。请编写一个程序，计算出最少需要多少个硬币才能凑足这个金额的找零。

def minCoins(coins, V):
    """
    coins: 可用的硬币面额列表（降序排序）
    V: 需要找零的总金额
    """
    # 存储结果（硬币数）
    result = []

    # 遍历所有硬币
    for i in range(len(coins)):
        # 当前面额可以用的最大次数
        while V >= coins[i]:
            V -= coins[i]
            result.append(coins[i])

    return len(result)


coins = [10, 5, 1]  # 假设硬币已经降序排序
V = 11
print(minCoins(coins, V))

思路讲解：

• 贪心算法总是选择当前能选择的最大面额的硬币。
• 通过不断减去选择的硬币面额，直到金额减至零。
• 结果result列表包含构成找零的所有硬币, len(result)则为硬币数量

背包问题

你是一名探险家，在一次探险中发现了三个不同类型的宝藏。每种宝藏有其重量和价值，现在你需要决定应该带回多少每种宝藏以最大化你的收益。由于你的背包容量有限，你可能需要将某些宝藏分割带走。具体宝藏信息如下：

• 宝藏A：重量10kg，价值60万元。
• 宝藏B：重量20kg，价值100万元。
• 宝藏C：重量30kg，价值120万元。

你的背包最大承重为50kg。使用贪心算法确定每种宝藏应带走的数量，以确保你能够获得最大的价值。

def fractionalKnapSack(W, wt, val, n):
    """
    W: 背包的最大容量
    wt: 物品重量列表
    val: 物品价值列表
    n: 物品数量
    """
    # 计算单位重量价值并排序
    item_value = [(val[i] / wt[i], wt[i], val[i]) for i in range(n)]
    item_value.sort(reverse=True)

    total_value = 0  # 总价值

    for i in item_value:
        cur_wt = i[1]
        cur_val = i[2]

        if W - cur_wt >= 0:  # 如果可以装下整个物品
            W -= cur_wt
            total_value += cur_val
        else:  # 如果不能装下整个物品，装下部分
            fraction = W / cur_wt
            total_value += cur_val * fraction
            W = 0
            break

    return total_value

val = [60, 100, 120]
wt = [10, 20, 30]
W = 50
n = len(val)
print(fractionalKnapSack(W, wt, val, n))

思路讲解：

• 计算每种物品的单位重量价值并按此价值进行降序排序。
• 依次考虑每种物品，如果当前背包容量可以完整装下物品，则全装；否则，只装入部分，以单位价值最大化。
• 持续这个过程直到背包填满或物品考虑完毕。

3. 贪心算法的反例

我们之前提到了，贪心是只选择局部最优解，就有可能无法保证全局最优解。

以硬币问题举个例子来看，假设有一个奇葩国家的硬币面额有1，5，8三种面额，你要找15块钱，售货员需要给你找回的硬币个数保持最少。

在贪心策略下，首先选择8，在选择5，在选择1，最后选择1。这种情况需要找回4个硬币。

但是很容易看出来，找3个5块的硬币数会更少。

这就是贪心算法的一个反例。

4. 总结：

贪心算法的优点在于实现简单，解题速度快，在具有贪心性质的问题中可以得到最优解。但是缺点也很明显，在每一步只选择局部最优解的前提下，无法最终解保证一定是全局最优解。