贪心算法与动态规划的比较
【摘要】介绍了计算机算法设计的两种常用算法思想：贪心算法与动态规划算法。通过介绍两种算法思想的基本原理，比较两种算法的联系和区别。通过背包问题对比了两种算法的使用特点和使用范围。
【关键字】动态规划；贪心算法；背包问题
1、引言
为了满足人们对大数据量信息处理的渴望，为解决各种实际问题，计算机算法学得到了飞速的发展，线性规划、动态规划、贪心策略等一系列运筹学模型纷纷运用到计算机算法学中，产生了解决各种现实问题的有效算法。虽然设计一个好的求解算法更像是一门艺术而不像是技术，但仍然存在一些行之有效的、能够用于解决许多问题的算法设计方法，你可以使用这些方法来设计算法，并观察这些算法是如何工作的。一般情况下，为了获得较好的性能，必须对算法进行细致的调整。但是在某些情况下，算法经过调整之后性能仍无法达到要求，这时就必须寻求另外的方法来求解该问题。本文针对部分背包问题和0/ 1 背包问题进行分析，介绍贪心算法和动态规划算法的区别。
2、背包问题的提出
给定n种物品( 每种物品仅有一件) 和一个背包。物品i的重量是w i，其价值为p i，背包的容量为M。问应如何选择物品装入背包，使得装入背包中的物品的总价值最大,每件物品i的装入情况为x i，得到的效益是p i*x i。
⑴部分背包问题。在选择物品时，可以将物品分割为部分装入背包，即0≤x i≤1 ( 贪心算法)。
⑵0/ 1背包问题。和部分背包问题相似，但是在选择物品装入时要么不装，要么全装入，即x i = 1或0。( 动态规划算法) 。
3、贪心算法
3.1 贪心算法的基本要素
能够使用贪心算法的许多例子都是最优化问题，每个最优化问题都包含一组限制条件和一个优化函数，符合限制条件的问题求解方案称为可行解；使优化函数取得最佳值的可行解称为最优解。此类所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到(这是贪心算法与动态规划的主要区别) 。
3.2贪心策略的定义
贪心策略是指从问题的初始状态出发，通过若干次的贪心选择而得出最优值( 或较优解) 的一种解题方法。贪心策略总是做出在当前看来是最优的选择，也就是说贪心策略并不是从整体上加以考虑，它所做出的选择只是在某种意义上的局部最优解，而许多问题自身的特性决定了该问题运用贪心策略可以得到最优解或较优解。(注：贪心算法不是对所有问题都能
得到整体最优解，但对范围相当广泛的许多问题它能产生整体最优解。但其解必然是最优解的很好近似解。)
采用自顶向下的、以迭代的方法做出相继的贪心选择，每做一次贪心选择就将所求问题简化为一个规模更小的子问题。对于一个具体问题，要确定它是否具有贪心选择的性质，我们必须证明每一步所作的贪心选择最终导致问题的最优解。通常可以首先证明问题的一个整体最优解，是从贪心选择开始的，而且作了贪心选择后，原问题简化为一个规模更小的类似子问题。然后用数学归纳法证明，通过每一步贪心选择，最终可得到问题的一个整体最优解。 3、3贪心算法的实际应用例子
⑴贪心法的基本思路。
从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快地求得更好的解。当达到某算法中的某一步不能再继续前进时，算法停止。
⑵该算法存在的问题。
① 不能保证求得的最后解是最佳的；
② 不能用来求最大或最小解问题；只能求满足某些约束条件的可行解的范围。
⑶实现该算法的过程。
从问题的某一初始解出发；
当能朝给定总目标前进一步时，求出可行解的一个解元素；
由所有解元素组合成问题的一个可行解。
⑷背包问题分析实例（部分背包问题）。有一个背包,容量是M = 150，有7个物品，物品可以分割成任意大小，要求尽可能让装入背包中的物品总价值最大，但不能超过总容量。 其重量和价值如下。
物品 A B C D E F G
重量 35 30 60 50 40 10 25
价值 10 40 30 50 35 40 30
其中目标函i p ∑最大。约束条件是装入的物品总重量不超过背包容量：
i w ∑< M （M=150)
根据贪心的策略，每次选取单位容量价值最大的物品,成为解本题的策略。可以证明得到最优解为x = [ 0，1，0，1，7/ 8，1，1]总价值为：190. 6。
3、4 贪心算法不适于解0/ 1 背包问题
0/ 1 背包问题有好几种贪婪策略，每种贪婪策略都要多个步骤来完成，每一步都利用贪婪准则选择一个物品装入背包。一种贪婪准则为：从剩余的物品中，选出可以装入背包的价值最大的物品，利用这种规则，价值最大的物品首先被装入（假设有足够容量），然后是下一个价值最大的物品，如此继续下去。这种策略不能保证得到最优解。例如，考虑n= 2， w = [ 100，10，10] ， p = [ 20，15，15] ，c = 105。当利用价值贪婪准则时，获得的解为x =
[ 1，0，0] ，这种方案的总价值为20。而最优解为[ 0，1，1] ，其总价值为30。另一种方案是重量贪婪准则： 从剩下的物品中选择可装入背包的重量最小的物品。虽然这种规则对于前面的例子能产生最优解，但在一般情况下则不一定能得到最优解。考虑n =2，w =[ 10，20] ，p = [ 5，100] ，c = 25。当利用重量贪婪策略时，获得的解为x = [ 1，0] ，比最优解[ 0，1] 要差。还可以利用另一方案，价值密度p i / w i 贪婪算法，这种选择准则为：从剩余物品中选择可装入包的p i / w i 值最大的物品，这种策略也不能保证得到最优解。
4、动态规划
4、1 动态规划的定义
动态规划是运筹学的一个分支，与其说它是一种算法，不如说它是一种思维方法更贴切。因为动态规划没有固定的框架，即便是应用到同一道题上，也可以建立多种形式的求解算法。许多隐式图上的算法，例如求单源最短路径的Dijkstra 算法、广度优先搜索算法，都渗透着动态规划的思想。还有许多数学问题，表面上看起来与动态规划风马牛不相及，但是其求解思想与动态规划是完全一致的。因此，动态规划不像深度或广度优先那样可以提供一套模式，需要的时候，取来就可以使用。它必须对具体问题进行具体分析、处理，需要丰富的想象力去建立模型，需要创造性的思想去求解。
4、2 动态规划适于解决的问题
适用动态规划的问题必须满足最优化原理和无后效性。
⑴状态必须满足最优化原理。作为整个过程的最优策略具有如下性质：无论过去的状态和决策如何，对前面的决策所形成的当前状态而言，余下的诸决策必须构成最优策略。可以通俗地理解为子问题的局部最优将导致整个问题的全局最优，即问题具有最优子结构的性质，也就是说一个问题的最优解只取决于其子问题的最优解，非最优解对问题的求解没有影响。
⑵状态必须满足无后效性。所谓无后效性是指：过去的决策只能通过当前状态影响未来的发展，当前的状态是对以往决策的总结。它说明动态规划适于解决当前决策和过去状态无关的问题。状态出现在策略的任何一个位置，它的地位都是相同的，都可以实施同样的决策，这就是无后效性的内涵。
4、3动态规划问题的特征
动态规划算法的有效性依赖于问题本身所具有的两个重要性质：最优子结构性质和子问题重叠性质。
① 最优子结构。当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。
② 重叠子问题。在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只解一次，而后将其解保存在一个表格中，在以后尽可能多地利用这些子问题的解。 4、4设计动态规划法的步骤
⑴找出最优解的性质，并刻画其结构特征；
⑵递归地定义最优值( 写出动态规划方程) ；
⑶ 以自底向上的方式计算出最优值；
⑷根据计算最优值时得到的信息，构造一个最优解。
步骤1- 3 是动态规划算法的基本步骤。在只需求出最优值的情形下，步骤4 可以省略，步骤3 中记录的信息也较少；若需要求出问题的一个最优解，则必须执行步骤4，步骤3 中记录的信息必须足够多，以便构造最优解。
4、5动态规划算法
[ 0/ 1 背包问题] 在该问题中需要决定n x x ,......,1 的值。假设按i=1，2，......，n 的次序来确定x i 的值。如果置x 1= 0，则问题转变为相对于其余物品（即物品2，3，......，n ），背包容量仍为c 的背包问题。若置x 1=1，问题就变为关于最大背包容量为c-w 1的问题。现设r& Icirc ；{c-w 1}为剩余的背包容量。在第一次决策之后，剩下的问题便是考虑背包容量为r 时的决策。不管x i 是0 或是1，[x 2，......，x n ] 必须是第一次决策之后的一个最优方案，如果不是，则会有一个更好的方案[y 2，......，y n ]，因而[x 1，y 2，......，y n ] 是一个更好的方案。
假设n=3，w=[ 100，14，10] ，p=[ 20，18，15]，c=116 。若设x 1==1 ，则在本次决策
之后，可用的背包容量为r =116- 100= 16。[ x2，x3]= [ 0，1] 符合容量限制的条件,所得值为15，但因为[ x2，x3] = [ 1，0] 同样符合容量条件且所得值为18，因此[ x2，x3] = [ 0，1] 并非最优策略。即x=[ 1，0，1] 可改进为x = [ 1，1，0] 。若设x1=0，则对于剩下的两种物品而言，容量限制条件为116。总之，如果子问题的结果[x2，x3] 不是剩余情况下的一个最优解，则[ x1，x2，x3] 也不会是总体的最优解。
5、小结
和贪心算法一样，在动态规划中，可将一个问题的解决方案视为一系列决策的结果。不同的是，在贪婪算法中，每用一次贪心准则便做出一个不可撤回的决策，而在动态规划中，还要考察每个最优决策序列中是否包含一个最优子序列。当一个问题具有最优子结构时，我们会想到用动态规划法去解它，但是有些问题存在着更简单、有效的方法，只要我们总是做出当前看来最好的选择就可以了。贪心算法所作的选择可以依赖于以往所作过的选择，但决不依赖于将来的选择，也不依赖于子问题的解，这使得算法在编码和执行的过程中都有着一定的速度优势。如果一个问题可以同时用几种方法解决，贪心算法应该是最好的选择之一。但是贪心算法并不是对所有的问题都能得到整体最优解或最理想的近似解，与回溯法等比较，它的适用区域相对狭窄许多，因此正确地判断它的应用时机十分重要。
参考文献：
[1]余祥宣,崔国华,邹海明.计算机算法基础( 第二版)[M].华中科技大学出版社,1998
[2]苏德富,钟诚.计算机算法设计与分析[M].电子工业出版社,2001：
[3]M.H.A LSU WAI YEL 算法设计技巧与分析[M].电子工业出版社(影印版)
[4]朱洪.算法设计和分析[M].上海科学技术文献出版社，1989：
[5]余祥宣,崔国华,邹海明.计算机算法基础(第二版)[M].华中科技大学出版社,1998
第四章动态规划 §1 引言 1.1 动态规划的发展及研究内容 动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程（decision process）最优化的数学方法。20 世纪50 年代初R. E. Bellman 等人在研究多阶段决策过程(multistep decision process)的优化问题时，提出了著名的最优性原理（principle of optimality），把多阶段过程转化为一系列单阶段问题，逐个求解，创立了解决这类过程优化问题的新方法—动态规划。1957 年出版了他的名著《Dynamic Programming》，这是该领域的第一本著作。 动态规划问世以来，在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。 虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划（如线性规划、非线性规划），只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。 应指出，动态规划是求解某类问题的一种方法，是考察问题的一种途径，而不是一种特殊算法（如线性规划是一种算法）。因而，它不象线性规划那样有一个标准的数学表达式和明确定义的一组规则，而必须对具体问题进行具体分析处理。因此，在学习时，除了要对基本概念和方法正确理解外，应以丰富的想象力去建立模型，用创造性的技巧去求解。 例1 最短路线问题 图1 是一个线路网，连线上的数字表示两点之间的距离（或费用）。试寻求一条由A 到G距离最短（或费用最省）的路线。 图1 最短路线问题 例2 生产计划问题 工厂生产某种产品，每单位（千件）的成本为1（千元），每次开工的固定成本为3 （千元），工厂每季度的最大生产能力为6（千件）。经调查，市场对该产品的需求量第一、二、三、四季度分别为2，3，2，4（千件）。如果工厂在第一、二季度将全年的需求都生产出来，自然可以降低成本（少付固定成本费），但是对于第三、四季度才能上市的产品需付存储费，每季每千件的存储费为0.5（千元）。还规定年初和年末这种产品均无库存。试制定一个生产计划，即安排每个季度的产量，使一年的总费用（生产成本和存储费）最少。 1.2 决策过程的分类根据过程的时间变量是离散的还是连续的，分为离散时间 决策过程（discrete-time -56-
分治法 1 分割成独立的子问题 2 递归解决子问题 3 合并求得初始问题的解 动态规划算法 1.描述最优解的结构特征 2.定义最优解决方案的递归形式 3.以自底向上的方式计算最优解决方案的值 4.从计算信息构造出最优解决方案 贪婪算法步骤 1.确定问题的优化结构 2.得到递归解 3.证明某个最优选择是贪婪选择 4.贪婪选择将产生唯一一个非空子问题 5.用递归算法实现贪婪策略 6.将递归算法转换为迭代算法 贪婪算法设计 1. 通过作出某种贪婪选择，将初始优化问题转换为唯一的一个子问题来求解 2. GREEDY CHOICE（证明贪婪选择） 作出该贪婪选择后，可以保证初始优化问题存在最优解3.OPTIMAL SUBSTRUCTURE（证明优化基础） 贪婪选择+唯一子问题=最优解 贪婪算法正确性 1. 贪婪选择特性（局部最优导致全局最优） 2. 优化基础的特性（贪婪选择+唯一子问题的最优解?初始问题的最优解） 作业选择 ?贪婪选择特性 存在最优解包含贪婪选择，即Sij在选择最先完成的作业am ?优化基础 If an optimal solution to subproblem Sij includes activity ak ? it must contain optimal solutions to Sik and Skj Solution to Sij=(Solution to Sik)∪{ak}∪(Solution to Skj)动态规划解） Similarly, am + optimal solution to Smj ? optimal sol. Solution to Sij = {am} ∪(Solution to Smj) （贪婪选择解） 动态规划与贪婪算法比较 ?Dynamic programming –每步选择–选择与子问题解相关 –自底向上，即从规模下的子问题逐步求解规模大的子问题?Greedy algorithm –首先作出贪婪选择–求解贪婪选择后产生的唯一子问题–后续贪婪选择与前面的选择有关，但与子问题的解无关 –自顶向下，问题规模逐步缩小 动态规划和分治法 ?子问题非独立 –子问题求解依赖其子问题的解 –分治法通过递归方式解决性质相同的子问题 –动态规划每次解决一个子问题，并将结果存储在表格中4 ?适合优化问题 –通过适当的选择来获得问题的最优解 –找到具有最优解决方案及其最优值：装配线排程方案以及该方案的生产时间 –导致最优的解决方案可能不止一个 ? （允许负权值边） –如果从源顶点s没有可抵达的负权值回路，返回‘真’）（其余的返回‘假’，无解 –遍历所有的边|V–1|次，每次对每条边执行一次缩短运算–对图进行拓扑排序)(依据拓扑排序对边进行缩短操作 于每一个顶点, 对始于该顶点的每条边进行缩短操作) (DGA中没有负权值回路, 因此存在最短路径) – (不存在负权值边界) – (S: 集合中顶点的最短路径已经确定) (Q: V – S, 极小优先队列) ? (d[v]) (Q中的值是最短路径的估计) ?重复的从Q中选择具有最短估计距离的顶点进行处理 The Ford-Fulkerson Method(不断的增大流, 直到达到流的极大值)(通过剩余流和剩余流图实现) 增量算法（An Incremental Algorithm） Alg.: GREEDY-ACTIVITY-SELECTOR(s, f, n) 1. A ← {a1} 2. i ← 1 3. for m ← 2 to n 4. do if sm ≥ fi ? activity am is compatible with ai 5. then A ← A ∪ {am} 6. i ← m ? ai is most recent addition to A 7. return A 动态规划： 装配线排程 e1 + a1,1 if j = 1 f1[j] = min(f1[j - 1] + a1,j ,f2[j -1] + t2,j-1 + a1,j) if j ≥ 2 矩阵链相乘 m[i,j]=0 if i = j min{m[i,k]+m[k+1,j]+pi-1pkpj} if i < j Matrix-Chain-Order(p) 1. n ←length[p]-1; 2. for i ←1 to n 3. m[i, i] ←0; 4. for l ←2 to n 5. for i ←1 to n –l +1 6. j ←i + l -1; 7. m[i, j] ←∞; 8. for k ←i to j -1 9. q ←m[i, k] + m[k+1, j] + pI-1pkpj; 10. if q < m[i, j] 11. m[i, j] ←q; 12. s[i, j] ←k; 13. return m and s 最长共同子序列 LCS-Length(X,Y) 1. m ←length[X]; 2. n ←length[Y]; 3. for i ←1 to m 4. c[i, 0] ←0; 5. for j ←0 to n 6. c[0, j] ←0;
贪心算法经典例题 发布日期：2009-1-8 浏览次数：1180 本资料需要注册并登录后才能下载！ ·用户名密码验证码找回密码·您还未注册？请注册 您的账户余额为元，余额已不足，请充值。 您的账户余额为元。此购买将从您的账户中扣除费用0.0元。 内容介绍>> 贪心算法经典例题 在求最优解问题的过程中，依据某种贪心标准，从问题的初始状态出发，直接去求每一步的最优解，通过若干次的贪心选择，最终得出整个问题的最优解，这种求解方法就是贪心算法。 从贪心算法的定义可以看出，贪心法并不是从整体上考虑问题，它所做出的选择只是在某种意义上的局部最优解，而由问题自身的特性决定了该题运用贪心算法可以得到最优解。 我们看看下面的例子 例1 均分纸牌（NOIP2002tg） [问题描述] 有 N 堆纸牌，编号分别为 1，2，…, N。每堆上有若干张，但纸牌总数必为 N 的倍数。可以在任一堆上取若干张纸牌，然后移动。移牌规则为：在编号为 1 堆上取的纸牌，只能移到编号为 2 的堆上；在编号为 N 的堆上取的纸牌，只能移到编号为 N-1 的堆上；其他堆上取的纸牌，可以移到相邻左边或右边的堆上。现在要求找出一种移动方法，用最少的移动次数使每堆上纸牌数都一样多。例如 N=4，4 堆纸牌数分别为： ①9 ②8 ③17 ④ 6 移动3次可达到目的： 从③取 4 张牌放到④（9 8 13 10） -> 从③取 3 张牌放到②（9 11 10 10）-> 从②取 1 张牌放到①（10 10 10 10）。 [输入]：键盘输入文件名。 文件格式：N（N 堆纸牌，1 <= N <= 100） A1 A2 … An （N 堆纸牌，每堆纸牌初始数，l<= Ai <=10000） [输出]：输出至屏幕。格式为：所有堆均达到相等时的最少移动次数。 [输入输出样例] a.in： 4 9 8 17 6 屏慕显示：3 算法分析：设a[i]为第i堆纸牌的张数（0<=i<=n），v为均分后每堆纸牌的张数，s为最小移到次数。 我们用贪心法，按照从左到右的顺序移动纸牌。如第i堆(0 动态规划算法原理及其应用研究 系别：x x x 姓名：x x x 指导教员： x x x 2012年5月20日 摘要：动态规划是解决最优化问题的基本方法，本文介绍了动态规划的基本思想和基本步骤，并通过几个实例的分析，研究了利用动态规划设计算法的具体途径。关键词：动态规划多阶段决策 1.引言 规划问题的最终目的就是确定各决策变量的取值，以使目标函数达到极大或极小。在线性规划和非线性规划中，决策变量都是以集合的形式被一次性处理的；然而，有时我们也会面对决策变量需分期、分批处理的多阶段决策问题。所谓多阶段决策问题是指这样一类活动过程：它可以分解为若干个互相联系的阶段，在每一阶段分别对应着一组可供选取的决策集合；即构成过程的每个阶段都需要进行一次决策的决策问题。将各个阶段的决策综合起来构成一个决策序列，称为一个策略。显然，由于各个阶段选取的决策不同，对应整个过程可以有一系列不同的策略。当过程采取某个具体策略时，相应可以得到一个确定的效果，采取不同的策略，就会得到不同的效果。多阶段的决策问题，就是要在所有可能采取的策略中选取一个最优的策略，以便得到最佳的效果。动态规划是一种求解多阶段决策问题的系统技术，可以说它横跨整个规划领域（线性规划和非线性规划）。在多阶段决策问题中，有些问题对阶段的划分具有明显的时序性，动态规划的“动态”二字也由此而得名。动态规划的主要创始人是美国数学家贝尔曼（Bellman）。20世纪40年代末50年代初，当时在兰德公司（Rand Corporation）从事研究工作的贝尔曼首先提出了动态规划的概念。1957年贝尔曼发表了数篇研究论文，并出版了他的第一部著作《动态规划》。该著作成为了当时唯一的进一步研究和应用动态规划的理论源泉。在贝尔曼及其助手们致力于发展和推广这一技术的同时，其他一些学者也对动态规划的发展做出了重大的贡献，其中最值得一提的是爱尔思（Aris）和梅特顿（Mitten）。爱尔思先后于1961年和1964年出版了两部关于动态规划的著作，并于1964年同尼母霍思尔（Nemhauser）、威尔德（Wild）一道创建了处理分枝、循环性多阶段决策系统的一般性理论。梅特顿提出了许多对动态规划后来发展有着重要意义的基础性观点，并且对明晰动态规划路径的数 0021算法笔记——【贪心算法】贪心算法与活动安排问题 1、贪心算法 (1)原理：在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。 (2)特性：贪心算法采用自顶向下，以迭代的方法做出相继的贪心选择，每做一次贪心选择就将所求问题简化为一个规模更小的子问题，通过每一步贪心选择，可得到问题的一个最优解，虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的，所以贪婪法不要回溯。能够用贪心算法求解的问题一般具有两个重要特性：贪心选择性质和最优子结构性质。 1)贪心选择性质 所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局 部最优的选择，即贪心选择来达到。这是贪心算法可行的第一个基本要素。贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。 对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。证明的大致过程为： 首先考察问题的一个整体最优解，并证明可修改这个最优解，使其以贪心选择开始。做了贪心选择后，原问题简化为规模更小的类似子问题。然后用数学归纳法证明通过每一步做贪心选择，最终可得到问题的整体最优解。其中，证明贪心选择后的问题简化为规模更小的类似子问题的关键在于利用该问题的最优子结构性质。 2)最优子结构性质 当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。 (3)贪心算法与动态规划算法的差异: 动态规划和贪心算法都是一种递推算法，均有最优子结构性质，通过局部最优解来推导全局最优解。两者之间的区别在于：贪心算法中作出的每步贪心决策都无法改变，因为贪心策略是由上一步的最优解推导下一步的最优解，而上一部之前的最优解则不作保留，贪心算法每一步的最优解一定包含上一步的最优解。动态规划算法中全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解。 (4)基本思路： 1)建立数学模型来描述问题。 2)把求解的问题分成若干个子问题。 3)对每一子问题求解，得到子问题的局部最优解。 4)把子问题的解局部最优解合成原来解问题的一个解。 2、活动安排问题 第四章 数学规划模型 【教学目的】：深刻理解线性规划，非线性规划，动态规划方法建模的基本特点，并能熟练建立一些实际问题的数学规划模型；熟练掌握用数学软件（Matlab ，Lindo ，Lingo 等）求解优化问题的方法。 【教学重点难点】： 教学重点：线性规划和非线性规划的基本概念和算法，解决数学规划问题的一般思路和 方法，线性规划模型、整数规划模型、非线性规划模型的构建及其Matlab 与Lingo 实现。 教学难点：区分线性规划模型和非线性模型适用的实际问题，以及何时采用线性模型， 何时采用非线性模型，线性模型与非线性模型的转化。 【课时安排】：10学时 【教学方法】：采用多媒体教学手段，配合实例教学法，通过对典型例题的讲解启发学生思维，并给与学生适当的课后思考讨论的时间，加深知识掌握的程度。安排一定课时的上机操作。 【教学内容】： 在众多实际问题中，常常要求决策（确定）一些可控制量的值，使得相关的量（目标）达到最佳（最大或最小）。这些问题就叫优化问题，通常需要建立规划模型进行求解。称这些可控制量为决策变量，相关的目标量为目标函数；一般情况下，决策变量x 的取值是受限制的，不妨记为x ∈Ω，Ω称为可行域，优化问题的数学模型可表示为 Max(或Min)f(x), x ∈Ω 一般情况下，x 是一个多元变量，f(x)为多元函数，可行域比较复杂，一般可用一组不等式组来表示，这样规划问题的一般形式为 () x Min f x . ()0,1,2,,i st g x i m ≤= 虽然，该问题属于多元函数极值问题，但变量个数和约束条件比较多，一般不能用微分法进行解决，而通过规划方法来求解；这里讨论的不是规划问题的具体算法，主要是讨论如何将一个实际问题建立优化模型，并利用优化软件包进行求解。 根据目标函数和约束函数是否为线性，将规划模型分为线性规划和非线性规划。 4.1线性规划 线性规划(LP)研究的实际问题多种多样的，它在工农业生产、经济管理、优化设计与控 贪心算法与动态规划的比较 【摘要】介绍了计算机算法设计的两种常用算法思想：贪心算法与动态规划算法。通过介绍两种算法思想的基本原理，比较两种算法的联系和区别。通过背包问题对比了两种算法的使用特点和使用范围。 【关键字】动态规划；贪心算法；背包问题 1、引言 为了满足人们对大数据量信息处理的渴望，为解决各种实际问题，计算机算法学得到了飞速的发展，线性规划、动态规划、贪心策略等一系列运筹学模型纷纷运用到计算机算法学中，产生了解决各种现实问题的有效算法。虽然设计一个好的求解算法更像是一门艺术而不像是技术，但仍然存在一些行之有效的、能够用于解决许多问题的算法设计方法，你可以使用这些方法来设计算法，并观察这些算法是如何工作的。一般情况下，为了获得较好的性能，必须对算法进行细致的调整。但是在某些情况下，算法经过调整之后性能仍无法达到要求，这时就必须寻求另外的方法来求解该问题。本文针对部分背包问题和0/ 1 背包问题进行分析，介绍贪心算法和动态规划算法的区别。 2、背包问题的提出 给定n种物品( 每种物品仅有一件) 和一个背包。物品i的重量是w i，其价值为p i，背包的容量为M。问应如何选择物品装入背包，使得装入背包中的物品的总价值最大,每件物品i的装入情况为x i，得到的效益是p i*x i。 ⑴部分背包问题。在选择物品时，可以将物品分割为部分装入背包，即0≤x i≤1 ( 贪心算法)。 ⑵0/ 1背包问题。和部分背包问题相似，但是在选择物品装入时要么不装，要么全装入，即x i = 1或0。( 动态规划算法) 。 3、贪心算法 3.1 贪心算法的基本要素 能够使用贪心算法的许多例子都是最优化问题，每个最优化问题都包含一组限制条件和一个优化函数，符合限制条件的问题求解方案称为可行解；使优化函数取得最佳值的可行解称为最优解。此类所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到(这是贪心算法与动态规划的主要区别) 。 3.2贪心策略的定义 贪心策略是指从问题的初始状态出发，通过若干次的贪心选择而得出最优值( 或较优解) 的一种解题方法。贪心策略总是做出在当前看来是最优的选择，也就是说贪心策略并不是从整体上加以考虑，它所做出的选择只是在某种意义上的局部最优解，而许多问题自身的特性决定了该问题运用贪心策略可以得到最优解或较优解。(注：贪心算法不是对所有问题都能 贪心算法的应用 课程名称：算法设计与分析 院系：计算机科学与信息工程学院 学生姓名：**** 学号：********** 专业班级：********************************** 指导教师：****** 201312-27 贪心算法的应用 摘要：顾名思义，贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路经问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。贪心算法求问题一般具有两个重要性质：贪心选择性质和最优子结构性质。所谓贪心选择性是指所求问题的整体最优解可以通过一系列局部最优解的选择，即贪心选择达到。这是贪心算法可行的第一个基本要素，也是贪心算法与动态规划算法主要区别。当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。 背包问题是一个经典的问题，我们可以采用多种算法去求解0/1背包问题，比如动态规划法、分支限界法、贪心算法、回溯法。在这里我们采用贪心法解决这个问题。 关键词：贪心法背包问题最优化 目录 第1章绪论 (3) 1.1 贪心算法的背景知识 (3) 1.2 贪心算法的前景意义 (3) 第2章贪心算法的理论知识 (4) 2.1 问题的模式 (4) 2.2 贪心算法的一般性描述 (4) 第3章背包问题 (5) 3.1 问题描述 (5) 3.2 问题分析 (5) 3.3算法设计 (5) 3.4 测试结果与分析 (10) 第4章结论 (12) 参考文献 (13) 附件 (13) 动态规划是对最优化问题的一种新的算法设计方法。由于各种问题的性质不同，确定最优解的条件也互不相同，因而动态规划的没计法对不同的问题，有各具特色的表示方式。不存在一种万能的动态规划算法。但是可以通过对若干有代表性的问题的动态规划算法进行讨论，学会这一设计方法。 多阶段决策过程最优化问题 ——动态规划的基本模型 在现实生活中，有一类活动的过程，由于它的特殊性，可将过程分成若干个互相联系的阶段，在它的每一阶段都需要作出决策，从而使整个过程达到最好的活动效果。因此各个阶段决策的选取不能任意确定，它依赖于当前面临的状态，又影响以后的发展。当各个阶段决策确定后，就组成一个决策序列，因而也就确定了整个过程的一条活动路线。这种把一个问题看做是一个前后关联具有链状结构的多阶段过程就称为多阶段决策过程，这种问题称为多阶段决策最优化问题。 【例题1】最短路径问题。图中给出了一个地图，地图中每个顶点代表一个城市，两个城市间的连线代表道路，连线上的数值代表道路的长度。现在，想从城市A到达城市E，怎样走路程最短，最短路程的长度是多少? 【分析】把从A到E的全过程分成四个阶段，用k表示阶段变量，第1阶段有一个初始状态A，两条可供选择的支路ABl、AB2；第2阶段有两个初始状态B1、 B2，B1有三条可供选择的支路，B2有两条可供选择的支路……。用dk(x k，x k+1)表示在第k阶段由初始状态x k到下阶段的初始状态x k+1的路径距离，Fk(x k)表示从第k阶段的x k到终点E的最短距离，利用倒推方法求解A到E的最短距离。具体计算过程如下： S1：K=4，有：F4(D1)=3，F4(D2)=4，F4(D3)=3 S2: K=3，有： F3(C1)=min{d3(C1,D1)+F4(D1),d3(C1,D2)+F4(d2)}=min{8,10}=8 F3(C2)=d3(C2,D1)+f4(D1)=5+3=8 F3(C3)=d3(C3,D3)+f4(D3)=8+3=11 F3(C4)=d3(C4,D3)+f4(D3)=3+3=6 贪心算法详解 贪心算法思想： 顾名思义，贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路经问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。 贪心算法的基本要素： 1.贪心选择性质。所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。这是贪心算法可行的第一个基本要素，也是贪心算法与动态规划算法的主要区别。 动态规划算法通常以自底向上的方式解各子问题，而贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。 对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。 2. 当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。问题的 最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。 贪心算法的基本思路： 从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时，算法停止。 该算法存在问题： 1. 不能保证求得的最后解是最佳的； 2. 不能用来求最大或最小解问题； 3. 只能求满足某些约束条件的可行解的范围。 实现该算法的过程： 从问题的某一初始解出发； while 能朝给定总目标前进一步do 求出可行解的一个解元素； 由所有解元素组合成问题的一个可行解； 用背包问题来介绍贪心算法： 背包问题：有一个背包，背包容量是M=150。有7个物品，物品可以分割成任意大小。要 求尽可能让装入背包中的物品总价值最大，但不能超过总容量。 算法综合实验报告 学号： 1004111107 姓名：黄琼莹 一、实验内容： 分别用动态规划、贪心及分支限界法实现对TSP问题（无向图）的求解，并至少用两个测试用例对所完成的代码进行正确性及效率关系上的验证。 二、程序设计的基本思想、原理和算法描述： （包括程序的数据结构、函数组成、输入/输出设计、符号名说明等） 1、动态规划法 (1)数据结构： 利用二进制来表示集合，则集合S可由一个十进制数x相对应，此x所 对应的二进制数为y，如果y的第k位为1，则表示k存在集合S中。 例如： 集合S={0，1}（其子集合为{}{0}{1}{01}），我们用二进制数11（所对应 十进制数为3）表示S，11中右手边第1个数为1表示0在集合S中， 右手边第二个数为1表示1在集合S中，其他位为0表示其它数字不在 集合S中；同理, 集合S={0,2}（其子集合为{}{0}{2}{02}可用二进制数101（所对应十进制 数为5）表示（右手边第1个数为1表示0在集合S中，右手边第二个 数为0表示1不在集合S中，右手边第3个数为1表示2在集合S中， 则说明0，2在集合中，1不在集合中。 (2)函数组成 getmin():获得该数组的最小值； getJ()：根据2进制j和j中1的个数找下一个j getnextj():返回下一个j的十进制数 (3)输入/输出设计 本题通过键盘进行输入，通过屏幕进行输出 由于题目的输入要求是：第一行输入一个整数n（2<=n<=10），接下来的n行，每行输入n-1个整数，表示i与除了自己之外的所有点之间的距离，按点的编号从小到大顺序输入 可以设计两个for循环来实现数据的输入，外层for循环实现一行一行地输入，内层for循环实现某一行中数据的输入 5 3 1 5 8 3 6 7 9 1 6 4 2 5 7 4 3 8 9 2 3 (4)符号名说明 N：节点数，即城市的数目 matr[20][20]：存邻接矩阵 d[20][40000]={0}：存动态填表数据 min：花费的最小值，即答案 jlist[20]：存放j的二进制数组 V[20]：标记节点是不是被访问过 tmpres[20]:存放结果的数组 (5)算法描述 假设从顶点i出发，令d(i,V’)表示从顶点i出发经过V’中各个顶点一次且仅一次，最后回到出发点i的最短路径的长度，开始时，V’=V-{i}，于是，旅行商问题的动态规划函数为： d(i,V’) = min{c ik + d(k,V’-{k})} (k∈V’) 1) d(k,{}) = c ki (k ≠ i) 2) 简单来说,就是用递归表达:从出发点0到1号点,假设1是第一个,则剩下的路程就是从1经过剩下的点最后回到0点的最短路径. 所以当V’为空的时候, d(k,{}) = c ki (k ≠ i), 找的是最后一个点到0点的距离.递归求解1之后,再继续求V’之中剩下的点,最后找出min. 如果按照这个思想直接做,对于每一个i都要递归剩下的V中所有的点,所以这样的时间复杂度就近似于N!,其中有很多重复的工作. 可以从小的集合到大的集合算,并存入一个二维数组,这样当加入一个节点时,就可以用到之前的结果,如四个点的情况: 邻接矩阵: node 0 1 2 3 0 5 3 2 动态规划算法和贪心算法的比较与分析 1、最优化原理 根据一类多阶段问题的特点,把多阶段决策问题变换为一系列互相联系的单阶段问题,然后逐个加以解决。解决这类问题的最优化原理:一个过程的最优决策具有这样的性质,即无论其初始状态和初始决策如何,其今后诸策略对以第一个决策所形成的状态作为初始状态的过程而言,必须构成最优策略。简而言之,一个最优策略的子策略,对于它的初态和终态而言也必是最优的。 2、动态规划 2.1 动态规划算法 动态规划是运筹学的一个分支，与其说它是一种算法，不如说它是一种思维方法更贴切。因为动态规划没有固定的框架，即便是应用到同一道题上，也可以建立多种形式的求解算法。许多隐式图上的算法，例如求单源最短路径的Dijkstra算法、广度优先搜索算法，都渗透着动态规划的思想。还有许多数学问题，表面上看起来与动态规划风马牛不相及，但是其求解思想与动态规划是完全一致的。因此，动态规划不像深度或广度优先那样可以提供一套模式，需要的时候，取来就可以使用。它必须对具体问题进行具体分析、处理，需要丰富的想象力去建立模型，需要创造性的思想去求解。 动态规划算法的基本思想是将待求解问题分解成若干子问题，先求解子问题，然后从这些子问题的解得到原问题的解。值得注意的是，用动态规划法求解的问题，经分解后得到的子问题往往不是互相独立的。 最优化原理是动态规划的基础。任何一个问题，如果失去了这个最优化原理的支持，就不可能用动态规划方法计算。能采用动态规划求解的问题都要满足两个条件:①问题中的状态必须满足最优化原理;②问题中的状态必须满足无后效性。 所谓无后效性是指下一时刻的状态只与当前状态有关，而和当前状态之前的状态无关，当前的状态是对以往决策的总结。 2.2 动态规划算法的基本要素 实验四“0-1”背包问题 一、实验目的与要求 熟悉C/C++语言的集成开发环境； 通过本实验加深对贪心算法、动态规划算法的理解。 二、实验内容: 掌握贪心算法、动态规划算法的概念和基本思想，分析并掌握“0-1”背包问题的求解方法，并分析其优缺点。 三、实验题 1.“0-1”背包问题的贪心算法 2.“0-1”背包问题的动态规划算法 说明：背包实例采用教材P132习题六的6-1中的描述。要求每种的算法都给出最大收益和最优解。 设有背包问题实例n=7，M=15,，(w0,w1,。。。w6)=（2,3,5,7,1,4,1），物品装入背包的收益为：（p0，p1，。。。，p6）=（10,5,15,7,6,18,3）。求这一实例的最优解和最大收益。 四、实验步骤 理解算法思想和问题要求； 编程实现题目要求； 上机输入和调试自己所编的程序； 验证分析实验结果； 整理出实验报告。 五、实验程序 // 贪心法求解 #include 从贪心算法的定义可以看出，贪心法并不是从整体上考虑问题，它所做出的选择只是在某种意义上的局部最优解，而由问题自身的特性决定了该题运用贪心算法可以得到最优解。 我们看看下面的例子 例1 均分纸牌（NOIP2002tg） [问题描述] 有 N 堆纸牌，编号分别为 1，2，…, N。每堆上有若干张，但纸牌总数必为 N 的倍数。可以在任一堆上取若干张纸牌，然后移动。移牌规则为：在编号为 1 堆上取的纸牌，只能移到编号为 2 的堆上；在编号为 N 的堆上取的纸牌，只能移到编号为 N-1 的堆上；其他堆上取的纸牌，可以移到相邻左边或右边的堆上。现在要求找出一种移动方法，用最少的移动次数使每堆上纸牌数都一样多。例如 N=4，4 堆纸牌数分别为： ①9 ②8 ③17 ④6 移动3次可达到目的： 从③取 4 张牌放到④（9 8 13 10） -> 从③取 3 张牌放到②（9 11 10 10）-> 从②取 1 张牌放到①（10 10 10 10）。 [输入]：键盘输入文件名。 文件格式：N（N 堆纸牌，1 <= N <= 100） A1 A2 … An （N 堆纸牌，每堆纸牌初始数，l<= Ai <=10000） [输出]：输出至屏幕。格式为：所有堆均达到相等时的最少移动次数。 [输入输出样例] ： 4 9 8 17 6 屏慕显示：3 算法分析：设a[i]为第i堆纸牌的张数（0<=i<=n），v为均分后每堆纸牌的张数，s为最小移到次数。 我们用贪心法，按照从左到右的顺序移动纸牌。如第i堆(0 实验项目三 用蛮力法、动态规划法和贪心法求解0/1 背包问题 实验目的 1、学会背包的数据结构的设计，针对不同的问题涉及到的对象的数据结构的设计也不同； 2、对0-1背包问题的算法设计策略对比与分析。 实验内容： 0/1背包问题是给定n 个重量为{w 1, w 2, … ,wn }、价值为{v 1, v 2, … ,vn }的物品和一个容量为C 的背包，求这些物品中的一个最有价值的子集，并且要能够装到背包中。 在0/1背包问题中，物品i 或者被装入背包，或者不被装入背包，设xi 表示物品i 装入背包的情况，则当xi =0时，表示物品i 没有被装入背包，xi =1时，表示物品i 被装入背包。根据问题的要求，有如下约束条件和目标函数： 于是，问题归结为寻找一个满足约束条件式1，并使目标函数式2达到最大的解向量X =(x 1, x 2, …, xn )。 背包的数据结构的设计： typedef struct object { int n;//物品的编号 int w;//物品的重量 int v;//物品的价值 }wup; wup wp[N];//物品的数组，N 为物品的个数 int c;//背包的总重量 1、蛮力法 蛮力法是一种简单直接的解决问题的方法，常常直接基于问题的描述和所涉及的概念定义。蛮力法的关键是依次处理所有的元素。 用蛮力法解决0/1背包问题，需要考虑给定n 个物品集合的所有子集，找出所有可能的子集（总重量不超过背包容量的子集），计算每个子集的总价值，然后在他们中找到价值最大的子集。 所以蛮力法解0/1背包问题的关键是如何求n 个物品集合的所有子集，n 个物品的子集有2的n 次方个，用一个2的n 次方行n 列的数组保存生成的子集，以下是生成子集的算法： ?????≤≤∈≤∑=)1(}1,0{1n i x C x w i n i i i （式1） ∑=n i i i x v 1max （式2） 答：贪婪算法（Greedy algorithm）是一种对某些求最优解问题的更简单、更迅速的设计技术。用贪婪法设计算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，它省去了为找最优解要穷尽所有可能而必须耗费的大量时间，它采用自顶向下，以迭代的方法做出相继的贪心选择，每做一次贪心选择就将所求问题简化为一个规模更小的子问题，通过每一步贪心选择，可得到问题的一个最优解，虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的，所以贪婪法不要回溯。 贪婪算法是一种改进了的分级处理方法。其核心是根据题意选取一种量度标准。然后将这多个输入排成这种量度标准所要求的顺序，按这种顺序一次输入一个量。如果这个输入和当前已构成在这种量度意义下的部分最佳解加在一起不能产生一个可行解，则不把此输入加到这部分解中。这种能够得到某种量度意义下最优解的分级处理方法称为贪婪算法。 对于一个给定的问题，往往可能有好几种量度标准。初看起来，这些量度标准似乎都是可取的，但实际上，用其中的大多数量度标准作贪婪处理所得到该量度意义下的最优解并不是问题的最优解，而是次优解。因此，选择能产生问题最优解的最优量度标准是使用贪婪算法的核心。 一般情况下，要选出最优量度标准并不是一件容易的事，但对某问题能选择出最优量度标准后，用贪婪算法求解则特别有效。最优解可以通过一系列局部最优的选择即贪婪选择来达到，根据当前状态做出在当前看来是最好的选择，即局部最优解选择，然后再去解做出这个选择后产生的相应的子问题。每做一次贪婪选择就将所求问题简化为一个规模更小的子问题，最终可得到问题的一个整体最优解。其有以下特性： ⑴ 有一个以最优方式来解决的问题。为了构造问题的解决方案，有一个候选的对象的集合：比如不同面值的硬币。 ⑵ 随着算法的进行，将积累起其它两个集合：一个包含已经被考虑过并被选出的候选对象，另一个包含已经被考虑过但被丢弃的候选对象。 ⑶ 有一个函数来检查一个候选对象的集合是否提供了问题的解答。该函数不考虑此时的解决方法是否最优。 ⑷ 还有一个函数检查是否一个候选对象的集合是可行的，也即是否可能往该集合上添加更多的候选对象以获得一个解。和上一个函数一样，此时不考虑解决方法的最优性。 ⑸ 选择函数可以指出哪一个剩余的候选对象最有希望构成问题的解。 ⑹ 最后，目标函数给出解的值。 动态规划和贪心算法的区别 动态规划法的基本思路： 动态规划是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推的方式去解决。此算法常用于求解某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案，消除递归过程中产生的大量重叠子问题。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。 贪心算法的基本思想： 在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，贪心算法所得出的解是一系列局部最优的选择。 把求解的问题分成若干个子问题，对每一子问题求解，得到子问题的局部最优解，把子问题的解局部最优解合成原来解问题的一个解。为了解决问题，需要寻找一个构成解的候选对象集合，起初，算法选出的候选对象的集合为空。接下来的每一步中，根据选择函数，算法从剩余候选对象中选出最有希望构成解的对象。如果集合中加上该对象后不可行，那么该对象就被丢弃并不再考虑；否则就加到集合里。每一次都扩充集合，并检查该集合是否构成解。 由以上可知：在贪心算法中，作出的每步贪心决策都无法改变，因为贪心策略是由上一步的最优解推导下一步的最优解，而上一部之前的最优解则不作保留。并且，每一步的最优解一定包含上一步的最优解。 而在动态规划算法中，全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解。动态规划的关键是状态 贪心算法的应用实例 例2．排队问题 【题目描述】 在一个医院B 超室，有n个人要做不同身体部位的B超，已知每个人需要处理的时间为ti，（0动态规划算法原理与的应用
0021算法笔记——【贪心算法】贪心算法与活动安排问题
第四章 数学规划模型
贪心算法与动态规划的比较
【精选】贪心算法的应用
经典算法——动态规划教程
贪心算法详解分析
贪心、分支限界、动态规划解决最短路径问题
动态规划算法和贪心算法的比较与分析
背包问题-贪心法和动态规划法求解
贪心算法的应用
实验项目三 用蛮力法、动态规划法和贪心法求解背包问题
贪婪算法
动态规划和贪心的区别
贪心算法的应用实例
相关主题
文本预览