笔记：《算法图解》第八章：NP完全问题、近似算法之贪婪算法

1.NP完全问题（Non-deterministic Polynomial Complete）

NP完全问题（多项式复杂程度的非确定性问题）的简单定义是，以难解著称，没有快速算法的问题，如旅行商问题和集合覆盖问题。
要判断问题是不是NP完全问题很难，易于解决的问题和NP完全问题的差别通常很小。为避免浪费时间去寻找解决它们的快速算法，以下是一些识别NP完全问题的方法：
❑ 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。
❑ 一个问题不能分成小问题，必须考虑各种可能的情况。这可能是NP完全问题。
❑ 如果问题涉及序列且难以解决（如旅行商问题中的城市序列），它可能就是NP完全问题。
❑ 如果问题涉及集合且难以解决（如广播台集合），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。
对于NP完全问题，还没有找到快速解决方案，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。面临NP完全问题时，最佳的做法是使用近似算法。

2.贪婪算法——最简单的近似算法

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。使用它们可快速找到NP完全问题的近似解。
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。
贪婪算法
有时候，你只需找到一个能够大致解决问题的算法，此时贪婪算法正好可派上用场，因为它们实现起来很容易，得到的结果又与正确结果相当接近。
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。
贪婪算法易于实现、运行速度快，是不错的近似算法。

2.1教室调度问题（序列问题）

假设有如下课程表，你希望将尽可能多的课程安排在某间教室上。

你希望在这间教室上尽可能多的课。如何选出尽可能多且时间不冲突的课程呢？这个问题好像很难，但算法可能简单得让你大吃一惊。
具体做法如下：
(1) 选出结束最早的课，它就是要在这间教室上的第一堂课。
(2) 接下来，必须选择第一堂课结束后才开始的课。同样，你选择结束最早的课，这将是要在这间教室上的第二堂课。重复这样做就能找出答案！

贪婪算法很简单：每步都采取最优的做法。在这个示例中，你每次都选择结束最早的课。用专业术语说，就是你每步都选择局部最优解，最终得到的就是全局最优解。显然，贪婪算法并非在任何情况下都行之有效，但它易于实现！

2.2 广播覆盖问题（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。为此，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，因此你力图在尽可能少的广播台播出。
如何找出覆盖全美50个州的最小广播台集合呢？听起来很容易，但其实非常难。具体方法如下。
(1) 列出每个可能的广播台集合，这被称为幂集（power set）。可能的子集有2ⁿ个。
(2) 在这些集合中，选出覆盖全美50个州的最小集合。问题是计算每个可能的广播台子集需要很长时间。由于可能的子集有2ⁿ个，因此运行时间为O(2ⁿ)。如果广播台不多，只有5～10个，这是可行的。但如果广播台很多，结果将如何呢？随着广播台的增多，需要的时间将激增。没有任何算法可以足够快地解决这个问题！
怎么办呢？
获得精确解需要的时间太长时，近似算法贪婪算法可化解危机！

使用下面的贪婪算法可得到非常接近的解。
(1) 选出这样一个广播台，即它覆盖了最多的未覆盖州。即便这个广播台覆盖了一些已覆盖的州，也没有关系。
(2) 重复第一步，直到覆盖了所有的州。这是一种近似算法（approximation algorithm）。

贪婪算法是不错的选择，它们不仅简单，而且通常运行速度很快。在这个例子中，贪婪算法的运行时间为O(n²)，其中n为广播台数量。
算法实现：

# 需要覆盖广播台的州
states_needed = set(["mt", "wa", "or", "id", "nv", "ut", "ca", "az"])
#可供选择的广播台可覆盖的州 
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_stations = set()

while states_needed:
	#遍历所有的广播台，从中选择覆盖了最多的未覆盖州的广播台，存储在best_station中
	best_station = None
	#储存该广播台覆盖的所有未覆盖的州
	states_covered = set()
	for station, states_for_station in stations.items():
		#同时出现在states_needed和states_for_station中的州：当前广播台覆盖的一系列还未覆盖的州
		covered = states_needed & states_for_station
		if len(covered) > len(states_covered):
			best_station = station
			states_covered = covered

	states_needed -= states_covered
	final_stations.add(best_station)

print(final_stations)

练习

8.1 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？
8.2 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？
8.3~8.5下面各种算法是否是贪婪算法。
8.3 快速排序。
8.4 广度优先搜索。
8.5 狄克斯特拉算法。
8.6 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？
8.7 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？
8.8 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？

答案

8.1 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。
8.2 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。
8.3 不是。
8.4 是。
8.5 是。
8.6 是。
8.7 是。
8.8 是。