贪心算法+算法设计

一、基本思想

1、局部最优与全局最优：贪心算法在每一步选择当前状态下的最优解，希望这样的局部最优决策能导致全局最优解。

2、贪心选择性质：在算法的每一步都采取当前状态下的最优选择，不考虑子问题的解如何影响未来的状态。

3、可行解：每一步的贪心选择都必须保证解是可行的，即选择之后的状态仍然满足问题的要求。

二、技巧和方法

1、贪心选择条件：确定一个贪心选择函数，该函数能够在每一步选择中提供最优的决策。

2、最优子结构：确保问题具有最优子结构，即通过子问题的最优解可以构建原问题的最优解。

3、贪心策略：定义一个贪心策略，明确在每一步如何做出贪心选择。

4、剪枝：在搜索过程中，一旦发现某一部分不可能产生最优解，就剪去这部分，以减少计算量。

5、排序：对于某些问题，预先对输入数据进行排序可以简化贪心选择过程。

6、记忆化：存储已经计算过的结果，避免重复计算，特别是在动态规划中。

7、迭代与分治：将问题分解为更小的子问题，递归解决每个子问题，然后合并结果。

三、基本要素

贪心选择性：

贪心选择性是指在算法的每一步选择中，根据某个贪心标准（贪心选择函数）做出局部最优解的选择，从而希望这样的局部最优决策能够导致全局最优解。贪心算法的核心在于每一步都做出当前看起来最优的选择，而不考虑这个选择对未来选择的影响。

贪心选择性的关键在于：

1、贪心标准：定义一个标准或函数，用于评估每一步的最优性。

2、局部最优：每一步都基于贪心标准做出最优选择。

3、可行解：每次选择都必须保证解的可行性，即选择之后的状态仍然满足问题的所有约束。

最优子结构

最优子结构性质是指一个问题的最优解包含其子问题的最优解。换句话说，可以独立地解决子问题，并将这些子问题的最优解组合起来以形成原问题的最优解。

最优子结构性质的关键在于：

1、子问题：问题可以分解为更小的子问题。

2、最优解：子问题的最优解是可以确定的。

3、组合：原问题的最优解可以通过组合子问题的最优解来获得

四、算法实例

编程实现下述活动的最佳安排

joblist = [['a', 8, 10], ['b', 1, 5], ['c', 4, 8], ['d', 1, 3], ['e', 6, 9], ['f', 2, 4], ['g', 4, 7], ['h', 1, 5], ['i', 6, 12]]

def get_max_intervalschdeule(joblist):
    job_schedule=[]
    num_jobs=len(joblist)
    joblist.sort(key=lambda x:  x[2])#按照结束时间对所有的job排序
    for n in range(num_jobs):
        if not job_schedule:
            job_schedule.append(joblist[n])
        else:
            if job_schedule[-1][2]<=joblist[n][1]:#当前遍历到的job与job_schedule中的最后一个job比较
                job_schedule.append(joblist[n])
    return job_schedule
 
# 给定的工作列表
joblist = [['a', 8, 10], ['b', 1, 5], ['c', 4, 8], ['d', 1, 3], ['e', 6, 9], ['f', 2, 4], ['g', 4, 7], ['h', 1, 5], ['i', 6, 12]]
 
# 调用函数并打印结果
best_schedule = get_max_intervalschdeule(joblist)
print("Best Schedule:", best_schedule)
 
AI写代码