算法之贪心算法

努力不秃头的小丸子

于 2024-08-05 15:25:22 发布

阅读量258

点赞数 4

文章标签：算法数据结构贪心算法

本文链接：https://blog.csdn.net/weixin_39270722/article/details/140928204

版权

一、概念

贪心算法，又称贪婪算法，是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的事在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

贪心算法的基本思路是从问题的某一个初始解出发一步一步的进行，根据某个优化测度，每一步，都要确保获得局部最优解。每一步只考虑一个数据，他的选择应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不该把数据添加到部分解中，直到所有数据枚举完，或者不能再添加算法停止。

虽然叫贪心算法，其实是一种策略，可以用一个简单的例子说明一下这种算法，比如在所有面值钞票里，选择10张，如何让选出来的钞票最后总额最大。从贪心算法去分析，想要结果最优，即总额最大，那就要局部最优，即单张面值最大，那么就是10张每张都拿当前可选的最大的面额，就能达到整体总额最大。

二、实例及其解决方案

1、栗子--钱币找零

1.1 题目

面对一个给定的以及一定数量的纸币和硬币，给出一个总数，问如何使用这些钞票硬币，使得总数恰好等于所需的总数，并且要求使用的钞票硬币数量最少。

1.2 思路

贪心策略：选择一个钞票/硬币时，选择最大的金额，并且保证所选金额小于所需总数。并继续选择下一个金额最大的，直到所需总数为0为止。

比如，当我们需要找零11元，零钱面值只有1元、2元、5元的时，我们可以采取以下策略：

选择最大面额的硬币5元，此时剩余需要找零6元；

再次选择最大的面额的纸币5元，还需找零1元；

选择最小的纸币1元，已经满足需要找零总数，张数3张；

此时，所用硬币数最少，共使用3个钱币。

此时，贪心算法得到了最优解，但是并不是所有情况下的结果就一定是最优解。

1.3 算法实现

/**
* {acount} number 需要找零总数
* {list} number[] 可找零钱币面额可选范围
* */ 
function greedy1(acount, list) {
                let s = 0;
                const saveD = [];
                const arr = list;
                arr.sort((a,b) => a-b);
                let n = list.length - 1;
                while(s < acount && n > -1) {
                    if (s+arr[n] < acount) {
                        s = s+arr[n];
                        saveD.push(arr[n]);
                    } else if (s+arr[n] == acount) {
                        s = s+arr[n];
                        saveD.push(arr[n]);
                        break;
                    } else {
                        n = n - 1;
                    }
                }
                return saveD;
            }
console.log(greedy1(41,[1,5,10,20]));

2、栗子--排队打水问题

2.1 题目

有n个人排队到r个水龙头前去打水，他们装满水桶的时间分别是t1,t2,t3,...,tn,打水时间均为整数且各不相等，应该如何安排他们的打水时间才能使他们花费的总时间最少？

每个人的打水时间=排队时间+装满水桶的时间（假设排队切换等其他过程均不消耗时间）

2.2 思路

使用贪心算法，目标是所有人打水的总时间最少，那每个人打水的时间要当前最少，装满水桶的时间是不变的，那么就需要当前选择的水龙头排队的时间是最少的，那么如何保证当前这个人排队时间是当前最短的？

首先，第一轮打水的人要是装满水桶时间最少的那批人，才能保证后面的人等待的时间最短，所以要对所有人的装满水桶时间进行排序，得到一个数组。然后从这个数组里，直接安排r个人去进行第一轮打水，此时第二批人已经按照下面的站位进行等待，这样能保证每个人的等待时间是对他而言最短的，第r+1个人的总打水时间就是第一个人的装满水桶时间加上第r+1个人装满水桶的时间，以此类推，得到下面这张图。最后总的打水时间为

2.3 算法实现

/**
* {tapNum} number 水龙头个数
* {peopleTime} number[] 每个人打水所需时间组成的数组
* */ 
function greedy(tapNum, peopleTime) {
  let s = 0;
  const arr = peopleTime;
  arr.sort((a,b) => a-b);
    for (let i = 0; i < peopleTime.length; i++) {
      if (i >= tapNum) {
        arr[i] = arr[i] + arr[i-tapNum];
      }
      s = s + arr[i];
    }
  return s;
}
console.log(greedy(3,[5,2,6,1,8,3,6]));

三、贪心算法的特点

1、贪心算法的特点

优点：

1、简单易实现：贪心算法在每一步只考虑当前最优选择，不需要预测未来状态，因此实现起来较为简单。

2、时间复杂度低，因为只需要对当前情况进行一次计算，在不考虑排序的前提下，时间复杂度是O(n)。

缺点：

1、不能保证最后解是最优解，因为每次选择可能会对后续的选择产生影响，而贪心算法无法考虑这些影响。

2、难以判断某一问题是否适用贪心算法

常见应用场景：如最小生成树和最短路径算法。

对于它的一些缺点，有个与之相对应的概念--动态规划通常可以解决。

2、贪心算法与动态规划的区别

2.1 解决问题的类型不同

贪心算法是没有远视的一种算法，一般用于在做决策时，通过选择当前最优的选项来直接确定后续决策的问题，它关注的是在每个阶段做出最优选择，从而构造出整体最优解。与之相对的动态规划，通常用于解决一个复杂问题，该问题可以分解为多个子问题，这些问题通常在某种程度上是相互重叠的子单元模块，动态规划通过存储和重用子问题的最优解来避免重复计算，从而找到整个问题的最优解。