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
-
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。 -
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。 -
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)