贪心算法——参考《趣学算法》

简介: 贪心算法——参考《趣学算法》

一、何为贪心算法

初识: 一个贪心算法总是做出当前最好的选择,也就是说,它期望通过局部最优解选择,从而得到全局最优的解决方案。 ——《算法导论》
理解: 说白了,贪心算法,顾名思义,它是一个“活在当下,只顾眼前”的算法。
问题特征: 贪心选择性质+最优子结构
①贪心选择:原问题局部最优解,可以通过整体最优解得到。应用同一规则,将原问题,变成一个相似但是问题规模更小的子问题。选择时候,都依赖于前一步已经做出的选择。
②最优子结构:原问题的最优解,包含子问题的最优解,称此问题具有最优子结构性质。如下图:
原问题S中选择出一个最优解ai,转化为求S-{ai}的问题了,原问题的S的最优解包含了S-{ai}的最优解,则说明该问题满足最优子结构性质。通俗的说:你儿子苦恼,你也跟着苦恼,如果他的问题解决了,那么你的问题也跟着解决了。
在这里插入图片描述
解决方案: 贪心策略+局部最优=全局最优
①贪心策略:根据问题不同,贪心策略也不同。例如:选苹果,“选最大的苹果?还是选最红的苹果?”
②局部最优:接上例子,选完最大的苹果后,下次又从剩下的堆里选“最大的苹果”。
⚠注意:
①一旦做出选择,不可以反悔。
②有可能得到的不是最优解,而是最优解的近似值。
③选择什么贪心策略,直接决定算法的好坏。
常见的贪心算法:
会议问题、最优装载问题、背包问题、最短路径问题、哈夫曼编码问题、最小生成树问题.....

二、最优装载问题

背景: 你是一名海盗,一天你开着你的海盗船,发现一艘载有大量古董的运输船。你肯定要去“搜集”古董。但是你海盗船只能载“30单位”的物件,并且你只能运输一次,那么你要“搜集”哪些古董,才能保证利益最大化呢?下面我们来看有那些物件:
古董:(假设每个物品价值相近)
| 古董|青花瓷 |玉盘 | 玉石|手镯 |金条 |丝绸 | 大鼎|琉璃盏|
|--|--|--|--|--|--|--|--|--|--|--|
| 重量(单位)| 5|3 | 10| 2| 7| 4| 14 |11 |
分析问题: “如何使得利益最大化”这个问题很明显满足贪心算法特征:贪心选择+最优子结构,贪心选择:选择一个最轻的以后,再在剩下的古董中选择最轻的。最优子结构:原问题的最优解,包含了子问题的最优解。
解决问题: 每次选择最轻的古董,直到海盗船装不下为止。
①排序:把古董由轻到重给排序好。
函数:sort(begin,end,comparison)
参数:(begin,end) 待排数组的首地址和尾地址comparison自己编写的函数,以适应不同的数据结构。
头文件 #include<algorithm>
| 古董|手镯 |玉盘 | 丝绸|青花瓷 |金条 |玉石 |琉璃盏 |大鼎|
|--|--|--|--|--|--|--|--|--|--|--|
| 重量(单位)| 2|3 | 4 | 5| 7| 10| 11 |14 |20|
②代码如下:

#include<iostream>
#include<algorithm>//sort的头文件
#include<string.h>
using namespace std;
#define NUM 8        //古董数量
#define MaxWeight 30//海盗船最大容量
typedef struct Antique
{
   
   
    char name[10];
    int weight;
}antique;
bool Comparison(antique a,antique b)
{
   
   
    return a.weight < b.weight;
}
void ShowAntique(antique* objects,int len)
{
   
   
    cout << "\n古董:\t";
    for (int i = 0; i < len; ++i)
    {
   
   
        cout << (objects + i)->name << "\t";
    }
    cout << "\n重量:\t";
    for (int i = 0; i < len; ++i)
    {
   
   
        cout << (objects + i)->weight << "\t";
    }
}
int main()
{
   
   
    antique objects[NUM] = {
   
    {
   
   "青花瓷",5} ,{
   
   "玉盘",3}, {
   
   "玉石",10} ,{
   
   "手镯",2}, {
   
   "金条",7} ,{
   
   "丝绸",4},{
   
   "大鼎",14} ,{
   
   "琉璃盏",11}};
    cout << "\n初始古董";
    ShowAntique(objects,NUM);

    cout << "\n排序后古董:";
    sort(objects, objects + NUM, Comparison);
    ShowAntique(objects,NUM);

    antique MyBoat[NUM] ;//海盗船
    int Myweight = 0;//海盗船的初始重量
    int count = 0;    //物件数量
    while (Myweight<MaxWeight)
    {
   
   
        strcpy_s(MyBoat[count].name, objects[count].name);
        MyBoat[count].weight = objects[count].weight;
        Myweight +=  objects[count].weight;
        if (Myweight > MaxWeight)
            break;
        count++;
    }
    cout << "\n拿上海盗船的古董:";
    ShowAntique(MyBoat,count);
    return 0;
}

③运行截图
在这里插入图片描述

相关文章
|
18天前
|
算法 Java C++
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
|
1月前
|
算法 前端开发
一文了解贪心算法和回溯算法在前端中的应用
该文章深入讲解了贪心算法与回溯算法的原理及其在前端开发中的具体应用,并通过分析LeetCode题目来展示这两种算法的解题思路与实现方法。
|
2月前
|
算法
【算法】贪心算法——柠檬水找零
【算法】贪心算法——柠檬水找零
|
2月前
|
算法
【算法】贪心算法简介
【算法】贪心算法简介
|
3月前
|
算法 Python
Python算法高手进阶指南:分治法、贪心算法、动态规划,掌握它们,算法难题迎刃而解!
【7月更文挑战第10天】探索Python算法的精华:分治法(如归并排序)、贪心策略(如找零钱问题)和动态规划(解复杂问题)。通过示例代码揭示它们如何优化问题解决,提升编程技能。掌握这些策略,攀登技术巅峰。
98 2
|
3月前
|
存储 算法 Python
Python算法界的秘密武器:分治法巧解难题,贪心算法快速决策,动态规划优化未来!
【7月更文挑战第9天】Python中的分治、贪心和动态规划是三大关键算法。分治法将大问题分解为小问题求解,如归并排序;贪心算法每步选局部最优解,不保证全局最优,如找零钱;动态规划存储子问题解求全局最优,如斐波那契数列。选择合适算法能提升编程效率。
61 1
|
3月前
|
存储 算法 大数据
Python算法高手的必修课:深入理解分治法、贪心算法、动态规划,让你的代码更智能!
【7月更文挑战第9天】在Python算法学习中,分治法(如归并排序)将大问题分解为小部分递归解决;贪心算法(如货币找零)在每步选择局部最优解尝试达到全局最优;动态规划(如斐波那契数列)通过存储子问题解避免重复计算,解决重叠子问题。掌握这三种方法能提升代码效率,解决复杂问题。
42 1
|
3月前
|
算法 索引 Python
逆袭算法界!Python分治法、贪心算法、动态规划深度剖析,带你走出算法迷宫!
【7月更文挑战第8天】分治法,如快速排序,将大问题分解并合并解;贪心算法,选择局部最优解,如活动选择;动态规划,利用最优子结构避免重复计算,如斐波那契数列。Python示例展示这些算法如何解决实际问题,助你精通算法,勇闯迷宫。
40 1
|
3月前
|
算法 索引 Python
Python算法设计与分析大揭秘:分治法、贪心算法、动态规划...掌握它们,让你的编程之路更加顺畅!
【7月更文挑战第8天】探索Python中的三大算法:分治(如快速排序)、贪心(活动选择)和动态规划(0-1背包问题)。分治法将问题分解求解再合并;贪心策略逐步求局部最优;动态规划通过记忆子问题解避免重复计算。掌握这些算法,提升编程效率与解决问题能力。
37 1
|
3月前
|
算法 开发者 Python
惊!Python算法界的三大神器:分治法、贪心算法、动态规划,让你秒变算法大师!
【7月更文挑战第8天】在Python编程中,分治、贪心和动态规划是核心算法。分治如归并排序,将大问题拆解并递归求解;贪心算法针对找零问题,每次都选最大面额硬币,追求局部最优;动态规划则通过记忆化避免重复计算,如斐波那契数列。这些算法巧妙地提升效率,解决复杂问题。
36 0

热门文章

最新文章