贪心算法简介
贪心算法是一种在每一步选择中都采取在当前看来最好选择的算法。它的基本思想是从问题的某个初始解出发,通过一步步地进行,根据某个优化测度,每一步都要确保能获得局部最优解。贪心算法的特点是一步一步地进行,常以当前情况为基础根据某个优化测度做最优选择,而不考虑各种可能的整体情况,省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪心算法采用自顶向下的方法,以迭代的方式做出相继贪心的选择,可得到问题的一个最优解。虽然每一步上都要保证能获得局部最优解,但由此产生的全局解不一定是最优的,所以贪心算法不要回溯。
贪心算法的应用场景
贪心算法的应用非常广泛,包括但不限于最短路径问题、单位密度问题。这些问题的共同特点是可以通过贪婪选择属性与最优子结构属性,利用贪心算法解决。贪婪选择属性指的是通过在每个步骤中选择最优选择,可以得到一个全局(总体)最优解。
贪心算法的经典例子
1.找零钱问题(Greedy Chang-Making Problem)
假设有一定面值的纸币和硬币,当要找零钱时,贪心算法会选择最大面值的纸币和硬币,当要找零钱时,贪心算法会选择最大面值的纸币或硬币,直到零钱找完。
import java.util.Arrays;
public class GreedyAlgorithm {
public static void main(String[] args) {
int totalAmount = 16;
int[] coins = {1, 2, 5, 10};
int[] change = getChange(totalAmount, coins);
System.out.println("Change: " + Arrays.toString(change));
}
public static int[] getChange(int totalAmount, int[] coins) {
int[] change = new int[coins.length];
int remainingAmount = totalAmount;
for (int i = coins.length - 1; i >= 0; i--) {
int numCoins = remainingAmount / coins[i];
change[i] = numCoins;
remainingAmount -= numCoins * coins[i];
}
return change;
}
}
2.区间调度问题(Interval Scheduling Problem)
假设有一系列的任务需要在特定时间完成,每个任务都有一个开始时间和结束时间,贪心算法会优先选择结束时间最早的任务,然后选择下一个结束时间最早的任务,一次类推。
区间调度问题是指给定一组区间,找到能够完全覆盖这些区间的最少的区间数。这个问题可以使用贪心算法来解决。
贪心算法的思路是,先按照区间的结束时间进行排序,然后从第一个区间开始遍历,依次选取结束时间最早的区间,并且这个区间的开始时间要晚于前一个区间的结束时间。这样就可以保证选取的区间数最少。
下面是用Java实现的代码:
import java.util.Arrays;
import java.util.Comparator;
public class IntervalSchedule {
public static int intervalSchedule(int[][] intervals) {
//按结束时间对区间进行排序
Arrays.sort(intervals, Comparator.comparingInt(a -> a[1]));
int count = 1; //选取的区间数
int end = intervals[0][1]; //当前选择的区间的结束时间
for (int i = 1; i < intervals.length; i++) {
if (intervals[i][0] >= end) {
//如果当前区间的开始时间晚于前一个区间的结束时间,可以选择这个区间
count++;
end = intervals[i][1];
}
}
return count;
}
public static void main(String[] args) {
int[][] intervals = {{1, 3}, {2, 4}, {3, 6}, {4, 7}, {5, 8}};
int result = intervalSchedule(intervals);
System.out.println("最少的区间数为:" + result);
}
}
运行结果为:
最少的区间数为:3
注意,这里假设输入的区间数组是已经合法的,即每个区间的开始时间都小于结束时间。如果区间数组未按照开始时间进行排序,可以先进行排序再使用贪心算法。
3.分数背包问题(Fractional Knapsack Problem)
假设有一系列物品和一个背包,每个物品有自己的重量和价值,贪心算法会先选择性价比最高的物品放入背包,直到背包装满或者物品用完。
import java.util.ArrayList;
import java.util.Comparator;
import java.util.List;
class Item {
int weight;
int value;
public Item(int weight, int value) {
this.weight = weight;
this.value = value;
}
}
class FractionalKnapsack {
public static double getMaxValue(List<Item> items, int capacity) {
// 排序,按照单位价值从高到低排序
items.sort(Comparator.comparingDouble(o -> (double) o.value / o.weight));
double totalValue = 0;
for (Item item : items) {
if (capacity >= item.weight) {
// 如果背包容量可以装下当前物品,则装入整个物品
totalValue += item.value;
capacity -= item.weight;
} else {
// 否则,计算当前物品的单位价值,装入剩余容量的物品
totalValue += item.value * ((double) capacity / item.weight);
break;
}
}
return totalValue;
}
public static void main(String[] args) {
List<Item> items = new ArrayList<>();
items.add(new Item(10, 60));
items.add(new Item(20, 100));
items.add(new Item(30, 120));
int capacity = 50;
double maxValue = getMaxValue(items, capacity);
System.out.println("最大价值为:" + maxValue);
}
}
4.最小生成树问题(Minimum Spanning Tree Problem)
假设有一张图,贪心算法会先选择连接两个点之间最短的边,然后选择下一个最短的边,直到所有的点都被连接。
贪心算法解决最小生成树问题的一种实现方式是使用Prim算法。以下是一个使用Java语言实现的Prim算法示例代码:
import java.util.*;
class PrimMST {
private int V; // 图的顶点数
private int[][] graph; // 图的邻接矩阵表示
public PrimMST(int v, int[][] graph) {
V = v;
this.graph = graph;
}
// 寻找最小生成树
public void findMST() {
boolean[] visited = new boolean[V]; // 记录顶点是否访问过
int[] parent = new int[V]; // 记录最小生成树的父节点
int[] key = new int[V]; // 记录顶点到最小生成树的最小权值
// 初始化key数组
Arrays.fill(key, Integer.MAX_VALUE);
// 第一个顶点作为最小生成树的根节点
key[0] = 0;
parent[0] = -1;
for (int i = 0; i < V-1; i++) {
int u = findMinKey(key, visited); // 选择key值最小的顶点
visited[u] = true; // 将选择的顶点标记为已访问
// 更新与顶点u相邻的顶点的key值和parent值
for (int v = 0; v < V; v++) {
if (graph[u][v] != 0 && !visited[v] && graph[u][v] < key[v]) {
key[v] = graph[u][v];
parent[v] = u;
}
}
}
// 输出最小生成树
System.out.println("边 权值");
for (int i = 1; i < V; i++) {
System.out.println(parent[i] + " - " + i + " " + graph[i][parent[i]]);
}
}
// 找到key值最小的顶点
private int findMinKey(int[] key, boolean[] visited) {
int minKey = Integer.MAX_VALUE;
int minIndex = -1;
for (int i = 0; i < V; i++) {
if (!visited[i] && key[i] < minKey) {
minKey = key[i];
minIndex = i;
}
}
return minIndex;
}
public static void main(String args[]) {
int graph[][] = new int[][] {
{ 0, 2, 0, 6, 0 },
{ 2, 0, 3, 8, 5 },
{ 0, 3, 0, 0, 7 },
{ 6, 8, 0, 0, 9 },
{ 0, 5, 7, 9, 0 }
};
PrimMST mst = new PrimMST(5, graph);
mst.findMST();
}
}
这是一个简单的Prim算法实现,假设图的顶点数为5,使用邻接矩阵表示图的连接关系。在findMST()
方法中,我们使用一个visited
数组来记录顶点是否已经访问过,使用parent
数组来记录最小生成树的父节点,使用key
数组来记录顶点到最小生成树的最小权值。在每次循环找到key值最小的顶点后,我们将其标记为已访问,并更新其相邻顶点的key值和parent值。最后,输出最小生成树的边和权值。
在main()
方法中,我们使用一个邻接矩阵来表示图,并创建一个PrimMST对象来求解最小生成树。运行代码后,将输出最小生成树的边和权值。
5.哈夫曼编码问题(Huffman Coding Problem)
假设有一系列的字符和它们对应的频率,在使用最少的比特数来编码字符的同时,贪心算法会优先选择频率最高的字符编码长度最短。
下面是用Java实现贪心算法哈夫曼编码的示例代码:
import java.util.PriorityQueue;
class HuffmanTreeNode implements Comparable<HuffmanTreeNode> {
int frequency;
char data;
HuffmanTreeNode left, right;
public HuffmanTreeNode(char data, int frequency) {
this.data = data;
this.frequency = frequency;
}
@Override
public int compareTo(HuffmanTreeNode node) {
return this.frequency - node.frequency;
}
}
public class HuffmanEncoding {
public static void main(String[] args) {
String input = "Hello, world!";
HuffmanTreeNode root = buildHuffmanTree(input);
String encodedString = encode(input, root);
String decodedString = decode(encodedString, root);
System.out.println("Input: " + input);
System.out.println("Encoded String: " + encodedString);
System.out.println("Decoded String: " + decodedString);
}
public static HuffmanTreeNode buildHuffmanTree(String input) {
int[] frequencyTable = new int[256];
for (char c : input.toCharArray()) {
frequencyTable[c]++;
}
PriorityQueue<HuffmanTreeNode> priorityQueue = new PriorityQueue<>();
for (int i = 0; i < frequencyTable.length; i++) {
if (frequencyTable[i] > 0) {
priorityQueue.add(new HuffmanTreeNode((char) i, frequencyTable[i]));
}
}
while (priorityQueue.size() > 1) {
HuffmanTreeNode leftNode = priorityQueue.poll();
HuffmanTreeNode rightNode = priorityQueue.poll();
HuffmanTreeNode newNode = new HuffmanTreeNode('\0', leftNode.frequency + rightNode.frequency);
newNode.left = leftNode;
newNode.right = rightNode;
priorityQueue.add(newNode);
}
return priorityQueue.poll();
}
public static String encode(String input, HuffmanTreeNode root) {
StringBuilder sb = new StringBuilder();
for (char c : input.toCharArray()) {
sb.append(getEncodedString(c, root));
}
return sb.toString();
}
private static String getEncodedString(char c, HuffmanTreeNode root) {
if (root == null) {
return "";
}
if (root.data == c) {
return "";
}
String left = getEncodedString(c, root.left);
if (left != null) {
return "0" + left;
}
String right = getEncodedString(c, root.right);
if (right != null) {
return "1" + right;
}
return null;
}
public static String decode(String encodedString, HuffmanTreeNode root) {
StringBuilder sb = new StringBuilder();
HuffmanTreeNode currentNode = root;
for (char c : encodedString.toCharArray()) {
if (c == '0') {
currentNode = currentNode.left;
} else if (c == '1') {
currentNode = currentNode.right;
}
if (currentNode.data != '\0') {
sb.append(currentNode.data);
currentNode = root;
}
}
return sb.toString();
}
}
此代码实现了一个HuffmanEncoding
类,其中buildHuffmanTree
方法用于构建Huffman树,encode
方法用于将字符串编码为Huffman编码,decode
方法用于将Huffman编码解码为原始字符串。
在main
方法中,我们首先创建一个HuffmanEncoding
对象,并将要编码的字符串作为输入进行编码。然后,我们将编码后的字符串进行解码,并将结果打印出来。