第4章 贪心算法(0-算法思想)

贪婪算法思想及其应用[5篇模版]第一篇：贪婪算法思想及其应用贪婪算法思想及其应用摘要：贪婪算法也称作贪心算法，它没有固定的算法框架，算法设计的关键是贪婪策略的选择，并且所选的贪婪策略要具有无后向性。

关键词：贪婪策略，无后向性，最优正文：一．贪婪算法的定义：贪婪算法又叫登山法，它的根本思想是逐步到达山顶，即逐步获得最优解，是解决最优化问题时的一种简单但适用范围有限的策略。

二．贪婪算法思想：贪婪算法采用逐步构造最优解的方法，即在每个阶段，都选择一个看上去最优的策略（在一定的标准下）。

策略一旦选择就不可再更改，贪婪决策的依据称为贪婪准则，也就是从问题的某一个初始解出发并逐步逼近给定的目标，以尽可能快的要求得到更好的解。

而且它在设计时没有固定的框架，关键在于贪婪策略的选择。

但要注意的是选择的贪婪策略要具有无后向性，即某阶段状态一旦确定下来后，不受这个状态以后的决策的影响，也就是说某状态以后的过程不会影响以前的状态，只与当前状态有关。

三．贪婪算法的优缺点：贪婪算法的优点在于在求解问题的每一步它都是选择最优解，这样算法就容易实现也易于理解，同时也提高了效率并节省了时间。

然而贪婪算法的缺点也是不容忽视的，由于它采取逐步获得最优解的方法而不从整体最优上加以考虑，它所做出的仅是在某种意义上的局部最优解。

因此贪婪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都能得出整体最优解或者是整体最优解的近似解。

四.实例参考：下面就列举用贪婪算法成功得出问题最优解的例子：例：一个小孩拿着一美元去商店买糖果，花了33美分，售货员需要找回67美分给小孩，而美分的面值有25,10,5,1这几种。

问题是售货员找个小孩的钱币的个数应是最少的，但同时要满足67美分这个条件。

分析：选择硬币时所采用的贪婪准则如下：每一次都选择面值最大的货币来凑足要找的零钱总数，但前提是不能超出要找的67美分。

解：我们用贪婪算法来处理这个问题，首先我们肯定会选择面值为25的货币，这样的货币我们需要两枚，然后我们依据贪婪准则选择面值为10的货币，这样的货币我们需要一枚，接着继续选择面值为5的货币一枚和面值为1的货币两枚。

贪心法贪心法(Greedy Approach)又称贪婪法, 在对问题求解时，总是做出在当前看来是最好的选择，或者说是：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。

贪心法的设计思想当一个问题具有以下的性质时可以用贪心算法求解:每一步的局部最优解，同事也说整个问题的最优解。

如果一个问题可以用贪心算法解决，那么贪心通常是解决这个问题的最好的方法。

贪婪算法一般比其他方法例如动态规划更有效。

但是贪婪算法不能总是被应用。

例如，部分背包问题可以使用贪心解决，但是不能解决0-1背包问题。

贪婪算法有时也用用来得到一个近似优化问题。

例如，旅行商问题是一个NP难问题。

贪婪选择这个问题是选择最近的并且从当前城市每一步。

这个解决方案并不总是产生最好的最优解，但可以用来得到一个近似最优解。

让我们考虑一下任务选择的贪婪算法的问题, 作为我们的第一个例子。

问题：给出n个任务和每个任务的开始和结束时间。

找出可以完成的任务的最大数量，在同一时刻只能做一个任务。

例子:下面的6个任务：start[] = {1, 3, 0, 5, 8, 5};finish[] = {2, 4, 6, 7, 9, 9};最多可完成的任务是：{0, 1, 3, 4}贪婪的选择是总是选择下一个任务的完成时间至少在剩下的任务和开始时间大于或等于以前选择任务的完成时间。

我们可以根据他们的任务完成时间，以便我们总是认为下一个任务是最小完成时间的任务。

1)按照完成时间对任务排序2)选择第一个任务排序数组元素和打印。

3) 继续以下剩余的任务排序数组。

……a)如果这一任务的开始时间大于先前选择任务的完成时间然后选择这个任务和打印。

有人说贪心算法是最简单的算法，原因很简单：你我其实都很贪，根本不用学就知道怎么贪。

有人说贪心算法是最复杂的算法，原因也很简单：这世上会贪的人太多了，那轮到你我的份？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。

对贪心算法的概述和研讨福州第一中学高一(8)班汪涛指导老师：陈颖算法总览当一个问题具有“最优子结构”时，我们可以采用动态规划法解决该问题。

但是有的时候，贪心算法可以更好的处理该类问题。

总体上看，贪心算法是一种高效的、不稳定的算法；但是它在解决问题时有很多独特的优良性质，掌握贪心算法有时可以非常迅速的获得最优解或近似最优解。

关键字：贪心算法（贪婪算法），贪心算法的应用举例，Object Pascal，快速算法，不稳定算法，信息学奥赛。

何时采用何时能，又何时应该采用贪心算法呢？一般认为，凡是经过数学归纳法证明可以采用贪心算法的情况，都应该采用它。

因为它的效率是很高的。

贪心算法的弱点在于它的不稳定性，即有时它不总能返回最优解。

那么能采用贪心算法的问题具有怎样的性质呢？（何时采用贪心算法）1、它具有和动态规划问题相似的性质，即分治法中的“最优子结构”性质，即每个子问题的最优解的集合就是整体最优解。

这是必须的性质，因为贪心算法解决的问题流程就需要依序研究每个子问题，然后综合之得出最后结果。

不能采用分治法解决的问题，是理论上是不能使用贪心算法的。

而且，必须拥有最优子结构性质，才能保证贪心算法返回最优解。

2、它必须具有一种特殊的“贪心选择性”。

这种性质类同于“最优子结构”性质，但又有一些小的差别。

我们知道，在动态规划中，每一个父问题结果的得出需要它的子问题作为条件；但是“贪心选择性”则不需要；贪心选择性所做的是一个非线性的子问题处理过程，即一个子问题并不依赖于另一个子问题，但是子问题间有严格的顺序性。

要证明一个问题具有“贪心选择性”，就必须证明每一步所做的贪心选择最终导致一个问题的整体最优解。

这也是必须的性质。

如果一个问题具有上述两个性质，理论上就应该采用贪心算法。

处理流程经由贪心算法处理的问题需要经过排序。

即把“最贪心”的子结果排在序列的最前面，一直到“最不贪心的”。

这是处理问题的第一步。

然后依序解决问题而得出最终结果。

贪⼼算法基本思想和典型例题（转）贪⼼算法⼀、算法思想贪⼼法的基本思路：——从问题的某⼀个初始解出发逐步逼近给定的⽬标，以尽可能快的地求得更好的解。

当达到某算法中的某⼀步不能再继续前进时，算法停⽌。

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；⼆、例题分析1、[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。

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分析：⽬标函数： ∑pi最⼤约束条件是装⼊的物品总重量不超过背包容量：∑wi<=M( M=150)（1）根据贪⼼的策略，每次挑选价值最⼤的物品装⼊背包，得到的结果是否最优？（2）每次挑选所占空间最⼩的物品装⼊是否能得到最优解？（3）每次选取单位容量价值最⼤的物品，成为解本题的策略。

实现这个算法是学习算法分析与设计这门课程的需要。

贪⼼算法是所接触到的第⼀类算法。

算法从局部的最优出发，简单⽽快捷。

对于⼀个问题的最优解只能⽤穷举法得到时，⽤贪⼼法是寻找问题次优解的较好算法。

贪⼼法是⼀种改进了的分级处理⽅法。

⽤贪⼼法设计算法的特点是⼀步⼀步地进⾏，根据某个优化测度（可能是⽬标函数，也可能不是⽬标函数），每⼀步上都要保证能获得局部最优解。

每⼀步只考虑⼀个数据，它的选取应满⾜局部优化条件。

若下⼀个数据与部分最优解连在⼀起不再是可⾏解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加为⽌。

这种能够得到某种度量意义下的最优解的分级处理⽅法称为贪⼼法。

选择能产⽣问题最优解的最优度量标准是使⽤贪⼼法的核⼼问题。

贪⼼算法总结简介贪⼼算法（英⽂：greedy algorithm），是⽤计算机来模拟⼀个“贪⼼”的⼈做出决策的过程。

这个⼈⼗分贪婪，每⼀步⾏动总是按某种指标选取最优的操作。

⽽且他⽬光短浅，总是只看眼前，并不考虑以后可能造成的影响。

可想⽽知，并不是所有的时候贪⼼法都能获得最优解，所以⼀般使⽤贪⼼法的时候，都要确保⾃⼰能证明其正确性。

本⽂主要介绍，在解决诸多贪⼼算法的问题之后的⼼得。

常⽤场景最常见的贪⼼算法分为两种。

「我们将 XXX 按照某某顺序排序，然后按某种顺序（例如从⼩到⼤）选择。

」。

「我们每次都取 XXX 中最⼤/⼩的东西，并更新 XXX。

」（有时「XXX 中最⼤/⼩的东西」可以优化，⽐如⽤优先队列维护）第⼀种是离线的，先处理后选择，第⼆种是在线的，边处理边选择。

常见的出题背景为:确定某种最优组合（硬币问题）区间问题（合理安排区间）字典序问题最值问题A最优组合硬币问题是贪⼼算法⾮常经典的题⽬，关于最优组合问题，我认为主要分为两种类型:简单 -- 直接排序之后按照某种策略选取即可复杂 -- 除了按照贪⼼策略外，还需要进⾏某些处理或者模拟硬币问题硬币问题有1元、5元、10元、50元、100元、500元的硬币各C1、C5、C10、C50、C100、C500枚。

现在要⽤这些硬币来⽀付A元，最少需要多少枚硬币？假设本题⾄少存在⼀种⽀付⽅法。

0≤C1、C5、C10、C50、C100、C500≤1090≤A≤109本题是上述说的简单类型的题⽬，简⽽⾔之要使得硬币最少，则优先使⽤⼤⾯额的硬币。

因此本题的解法便⾮常清晰了，只需要从后往前遍历⼀遍即可（默认为硬币已经按⾯额⼤⼩进⾏排序）const int V[6] = {1, 5, 10, 50, 100, 500};int A, C[6]; // inputvoid solve(){int ans(0);for (int i = 5; i >= 0; -- i){int t = min(A / V[i], C[i]);A -= t * V[i];ans += t;}cout << ans << '\n';}零花钱问题POJ3040 AllowanceDescriptionAs a reward for record milk production, Farmer John has decided to start paying Bessie the cow a small weekly allowance. FJ has a set of coins in N (1 <= N <= 20) different denominations, where each denomination of coin evenly divides the next-larger denomination (e.g., 1 cent coins, 5 cent coins, 10 cent coins, and 50 cent coins).Using the given set of coins, he would like topay Bessie at least some given amount of money C (1 <= C <= 100,000,000) every week.Please help him ompute the maximum number of weeks he can pay Bessie.Input* Line 1: Two space-separated integers: N and C* Lines 2..N+1: Each line corresponds to a denomination of coin and contains two integers: the value V (1 <= V <= 100,000,000) of the denomination, and the number of coins B (1 <= B <= 1,000,000) of this denomation in Farmer John's possession.Output* Line 1: A single integer that is the number of weeks Farmer John can pay Bessie at least C allowanceSample Input3 610 11 1005 120Sample Output111这题的题⽬⼤意是:农场主每天都要给贝西⾄少为C的津贴。

【精选】贪心算法贪心算法近年来的信息学竞赛中，经常需要求一个问题的可行解和最优解，这就是所谓的最优化问题。

贪心法是求解这类问题的一种常用算法。

在众多的算法中，贪心法可以算的上是最接近人们日常思维的一种算法，他在各级各类信息学竞赛、尤其在一些数据规模很大的问题求解中发挥着越来越重要的作用。

一、什么是贪心法贪心法是从问题的某一个初始状态出发，通过逐步构造最优解的方法向给定的目标前进，并期望通过这种方法产生出一个全局最优解的方法。

做出贪心决策的依据称为贪心准则（策略），但要注意决策一旦做出，就不可再更改。

贪心与递推不同的是，推进的每一步不是依据某一固定的递推式，而是做一个当时看似最佳的贪心选择，不断的将问题实例归纳为更小的相似子问题。

所以，在有些最优化问题中，采用贪心法求解不能保证一定得到最优解，这时我们可以选择其他解决最优化问题的算法，如动态规划等。

归纳、分析、选择贪心准则是正确解决贪心问题的关键。

二、贪心法的特点及其优缺点贪心法主要有以下两个特点：贪心选择性质：算法中每一步选择都是当前看似最佳的选择，这种选择依赖于已做出的选择，但不依赖于未作出的选择。

最优子结构性质：算法中每一次都取得了最优解（即局部最优解），要保证最后的结果最优，则必须满足全局最优解包含局部最优解。

利用贪心法解题的一般步骤是：1、产生问题的一个初始解；2、循环操作，当可以向给定的目标前进时，就根据局部最优策略，向目标前进一步；3、得到问题的最优解（或较优解）。

贪心法的优缺点主要表现在：优点：一个正确的贪心算法拥有很多优点，比如思维复杂度低、代码量小、运行效率高、空间复杂度低等，是信息学竞赛中的一个有力武器，受到广大同学们的青睐。

缺点：贪心法的缺点集中表现在他的“非完美性”。

通常我们很难找到一个简单可行并且保证正确的贪心思路，即使我们找到一个看上去很正确的贪心思路，也需要严格的正确性证明。

这往往给我们直接使用贪心算法带来了巨大的困难。