《算法图解》八

贪婪算法应用实例

思想：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
贪心算法是一种近似算法（approximation algorithm）。在获得精确解需要的时间太长时，可使用近 似算法。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

1. 教室调度问题
   计算这几门课程需要最少教室的数目， 每次都选择最早时间结束的课程。

2. 背包问题
   背包的容量是一定的，每件物品都有他的价值，选择一种装包的方法能使背包里价值最大：每次都选择价值最大的物品装入背包。

3. 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。现有广播台名单如下
   
   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。

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"]) 
states_needed = set(["mt", "wa", "or", "id", "nv", "ut", "ca", "az"]) 
while states_needed:  
	best_station = None   
	states_covered = set()   
	for station, states in stations.items():     
		covered = states_needed & states      #集合交
		if len(covered) > len(states_covered): 
			best_station = station states_covered = covered 
	states_needed -= states_covered   #集合做差
	final_stations.add(best_station)