算法系统学习-贪心策略(可绝对贪婪问题详解)

简介: 该系列是基于有一定语言基础(C,C++,Java等等)和基本的数据结构基础进行的算法学习专栏,如果觉得有点吃力 😥 ,建议先了解前提知识再学习喔!本个专栏会将用更容易理解的表达去学习算法,如果在一些表述上存在问题还请各位多多指点

可绝对贪婪问题


Case1:键盘输入一个高精度的正整数n,去掉其中任意s个数字后剩下的数字按原左右次将组成一个新的正整数。对于给定的n和s,使得剩下的数字组成新数最小并输出。


问题分析:

在位数固定的前提下,让高位的数字尽量小,其值就越小,依据贪心策略就可以解决这个问题。但是数据的不同也会造成不同种情况的出现,例如 假设1,假设2,假设3

假设1:

n=“12435863” s=2(去掉两个数)

开始

第一次比较 “1 2 4 3 5 8 6”

1相对于2 在高位,但是数字小于低位的2, 所以不变

第二次比较“1 2 4 3 5 8 6”

2相对于4 在高位,但是数字小于低位的4 ,所以不变

第三次比较“1 2 4 3 5 8 6”

4相对于3 在高位,但是数字大于低位的4 ,所以4被移除。

第四次比较“1 2 3 5 8 6”

3相对于5 在高位,但是数字小于低位的5, 所以不变

第五次比较“1 2 3 5 8 6”

5相对于8 在高位,但是数字小于低位的8, 所以不变

第五次比较“1 2 3 5 8 6”

8相对于6 在高位,但是数字大于低位的8,所以8被移除。

最后输出 12356 为最小数

结束

因此,可得相邻数字只需要从前向后比较;


假设2:

n=“231183” s=3(去掉三个数)

开始

第一次比较 “2 3 1 1 8 3”

2相对于3 在高位,但是数字小于低位的3,所以不变

第二次比较“2 3 1 1 8 3”

即得“2 1 1 8 3”

3相对于1 在高位,但是数字大于低位的1,所以3被移除。

第三次比较“2 1 1 8 3”

2相对于1 在高位,但是数字大于低位的1,所以2被移除。

即得“ 1 1 8 3”

第四次比较“ 1 1 8 3”

1相对于1在高位,两者相等, 所以不变

第五次比较“ 1 1 8 3”

1相对于8在高位,但是数字小于低位的8, 所以不变

第六次比较“ 1 1 8 3”

8相对于1在高位,但是数字大于低位的1, 所以8被移除

即得“ 1 1 3”

最后输出 113 为最小数

结束

因此,可得当第i位与第i+1位比较,若删除第i位后,必须向前考虑第i-1位与第i+1位进行比较,才能保证结果的正确性。


假设3:

n=“123456” s=3(去掉三个数)

可以清楚的看到,相邻的数字比较都不用删除,这时要考虑将后三位删除,即为最小值为123

当然也还有另外一种可能

假设3-1

n="120083" s=3(去掉三个数)

3 比 0 大删除 即“1 0 0 8 3”

2比 0 大删除 即“ 0 0 8 3”

8比 3 大删除 即“ 0 0 3”

最小值3

由此,在n含有0时,当删除掉一些数字后,结果高位可能会出现数字0,直接输出这个数据不合理。应该将所有高位的0去除再输出。特别地还要考虑若结果串是0000时,不能将0都删除,而要保留一个“0”最后输出


因此,从以上假设来看,进行算法设计时,从具体到抽象的归纳一定要选取大量不同的实例充分了解和体会解决问题的过程,规律和各种不同情况,才能设计出正确的算法。


算法设计:

delete(char [],int b,int k){
int i;
    for(i=b;i<length(n)-k;i++){
        n[i]=n[i+k];
    }
main(){
char n[100];
    int s,i,j,j1,c,data [100],len;
  cin>>n>>s;//n 为正整数,去除s个数字
    len=length(n);
}
if(s>len){
cout<<"数据错误!";
    return;
}
    j1=0;
for(i=1;i<=s;i++){
    {for(j=1;j<length(n);j=j+1)
    {
    if(n[j]>n[j+1]){  //贪心选择
    delete(n,j,1);
    }
    if(j>j1){
    data[i]=j+i;    //记录删除数字的位置
    }else{      //假设2向前删除
    data[i]=data[i-1]-1;
    }
    j1=j;
    break;
    }
     if(j>length(n)){
     break;
     }
for(i=i;i<=s;i++){
j=len-i+1;
    delete(n,j,1);
    data[i]=j;
} while(n[1]='0' && length(n)>1){
    delete(n,1,1);  //将字符串首的若干“0”去掉
    cout<<n;
 for(i=1;i<=s;i++){
 cout<<data[i]<<'';
                            }
                        }
                    }
        }
}

综上所述:算法主要由四部分组成:初始化,相邻数字比较(必要时删除),处理比较过程中删除不够s位的情况和结果输出。

目录
相关文章
|
5月前
|
算法 搜索推荐 JavaScript
基于python智能推荐算法的全屋定制系统
本研究聚焦基于智能推荐算法的全屋定制平台网站设计,旨在解决消费者在个性化定制中面临的选择难题。通过整合Django、Vue、Python与MySQL等技术,构建集家装设计、材料推荐、家具搭配于一体的一站式智能服务平台,提升用户体验与行业数字化水平。
|
6月前
|
存储 算法 调度
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
300 26
|
5月前
|
算法
基于MPPT算法的光伏并网发电系统simulink建模与仿真
本课题基于MATLAB/Simulink搭建光伏并网发电系统模型,集成PV模块、MPPT算法、PWM控制与并网电路,实现最大功率跟踪与电能高效并网。通过仿真验证系统在不同环境下的动态响应与稳定性,采用SVPWM与电流闭环控制,确保输出电流与电网同频同相,满足并网电能质量要求。
|
6月前
|
数据采集 边缘计算 算法
遗传算法+多目标规划算法+自适应神经模糊系统(Matlab代码实现)
遗传算法+多目标规划算法+自适应神经模糊系统(Matlab代码实现)
161 4
|
7月前
|
机器学习/深度学习 算法 数据挖掘
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
220 0
|
6月前
|
机器学习/深度学习 传感器 算法
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)
399 2
|
6月前
|
机器学习/深度学习 运维 算法
【微电网多目标优化调度】多目标学习者行为优化算法MOLPB求解微电网多目标优化调度研究(Matlab代码实现)
【微电网多目标优化调度】多目标学习者行为优化算法MOLPB求解微电网多目标优化调度研究(Matlab代码实现)
293 1
|
6月前
|
存储 并行计算 算法
【动态多目标优化算法】基于自适应启动策略的混合交叉动态约束多目标优化算法(MC-DCMOEA)求解CEC2023研究(Matlab代码实现)
【动态多目标优化算法】基于自适应启动策略的混合交叉动态约束多目标优化算法(MC-DCMOEA)求解CEC2023研究(Matlab代码实现)
267 4
|
7月前
|
机器学习/深度学习 算法 数据可视化
近端策略优化算法PPO的核心概念和PyTorch实现详解
本文深入解析了近端策略优化(PPO)算法的核心原理,并基于PyTorch框架实现了完整的强化学习训练流程。通过Lunar Lander环境展示了算法的全过程,涵盖环境交互、优势函数计算、策略更新等关键模块。内容理论与实践结合,适合希望掌握PPO算法及其实现的读者。
1129 2
近端策略优化算法PPO的核心概念和PyTorch实现详解
|
6月前
|
机器学习/深度学习 自然语言处理 算法
基于改进鲸鱼优化算法的微网系统能量优化管理研究(Matlab代码实现)
基于改进鲸鱼优化算法的微网系统能量优化管理研究(Matlab代码实现)
243 1

热门文章

最新文章