贪婪算法简介
贪婪算法(又称贪新算法)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,算法得到的是在某种意义上的局部最优解。
集合覆盖问题
假设你办了个广播节目,要让全美50个州的听众都收听得到。你需要决定在哪些广播台播出。在每个广播台播出都需要支付费用,因此要力图在尽可能少的广播台播出。
# 创建一个列表,包含电台要覆盖的州
states_needed = set(["mt", "wa", "or", "id", "nv", "ut", "ca", "az"])
# 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"])
# 存储最终选择的广播台
final_station = set()
# 循环体
while states_needed: # 非空则一直循环
best_station = None
states_covered = set() # 包含广播台覆盖的州
for station, states_for_station in stations.items():
coverd = states_needed & states_for_station # 计算当前广播台和剩余广播台覆盖的州的交集
if len(coverd) > len(states_covered):
best_station = station
states_covered = coverd
final_station.add(best_station)
states_needed -= states_covered # 更新剩余的州
# 输出最终选择的广播台
print(final_station)
实现结果
运行时间O(n^2)
NP完全问题
以难解著称的问题,如旅行商问题和集合覆盖问题
小结
1.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
2.对于NP完全问题,还没有找到快速解决方案
3.面临NP完全问题时,最佳的做法是使用近似算法
4.贪婪算法易于实现、运行速度快,是不错的近似算法