第9章贪心法技术方案.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 这2类问题都具有最优子结构性质，极为相似，但背包问题可以用贪心算法求解，而0-1背包问题却不能用贪心算法求解。 贪心法要求每次在构造部分解的时候都挑一个最好的部分解。 背包问题中什么是最好的部分解 单位价值最大的物品即为最好的部分解 因此在背包问题中每次都挑当前单位价值最大的物品，并尽可能多的放入包中。 n=3 w={10,20,30} v={60,100,120} c=50 单位价值V/w={6,5,4} 因此第一次挑一号物品，全部装入r=40,pv=60 第二次挑2号，全部装入r=20,pv=160 第三次挑3号，部分装入r=20,pv=160+80=240 对于0-1背包问题，贪心选择不一定得到最优解。 如：n=3 w={10,20,30} v={60,100,120} c=30 按贪心法：选择最有价值的放入 全部放入第3个物品，价值120，但这并不是最好的 1，2 物品的放入，总价值160 因为物品要么选，要么不选，尽管每次选最有价值的物品，却无法保证背包单位重量的价值最高，所以总重量价值最高。 事实上，在考虑0-1背包问题时，应比较选择该物品和不选择该物品所导致的最终方案，然后再作出最好选择。 由此就导出许多互相重叠的子问题。这正是该问题可用动态规划算法求解的另一重要特征。 实际上也是如此，动态规划算法的确可以有效地解0-1背包问题。 贪心算法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。 如：0-1背包问题 max(i,j)表示在i个物品中挑选物品放入容量为j的背包的最大物品价值。假设有n个物品 max(n,j)-maxValue(n)+ max(n-1,k)- maxValue(n)+ maxValue(n-1)+ max(n-2,q)… n=3 w={30,20,10} v={120, 100,60} c=50 动态规划解0-1背包：m(i，j)是背包容量为j，可选择物品为1, 2,…,i时的最优值 注意：分析是从顶向下分析，但写程序时是从底向上进行。 m(3,50) m(2,50) m(2,40)+60 m(1,50) m(1,30)+100 m(1,40)+60 m(1,20)+60+100 课堂练习 给图的所有结点着色，限制为 ①一条边的两个端点不能用同样的颜色， ②要求所使用的不同颜色的数目最小。 1 2 3 4 5 有5个结点的图。将结点任意编号为1至5．然后按编号给结点着色， 从贪婪法观点考虑，每次给尽可能多的结点着色。 首先用颜色1，可给节点1和2着色。 现在必须更换颜色，颜色2可给结点3和4着色。 这时又不得不换颜色，颜色3给结点5着色。 但很显然，更好的办法只要两种颜色，一种给结点1、3、4着色，另一种给结点2、5着色。 贪心法要素总结(参考) (1)明确目标函数和约束条件 (2)制定部分解结构。 确定如何将待解问题分解成若干步骤 Prim算法：最小生成树的子树 背包问题：一部分一部分装入 (3)确定贪心策略 扩大部分解的方法，一般涉及极值选择 (4)确定候选集 明确贪心的选择范围 (5)调整候选集 (6)正确性证明 换一个解释(从森林的角度)： 初始时，有|V|个树构成的森林 最终的森林由单独的树构成 每次迭代中新边的加入等价于从图中找到一条边,当顶点分别属于不同的树时，选取该边，使两棵树变为一棵更大的树。 通过union-find(并查)算法实现，对两个顶点是否属于同棵树(集合)的考察 9.3 单源最短路径 给定带权有向图G =(V,E)，其中每条边的权是非负实数。 给定V中的一个顶点，称为源。 计算从源到所有其他各顶点的最短路径长度。 这里路径的长度是指路径上各边权之和。 这个问题通常称为单源最短路径问题。 1.算法基本思想 Dijkstra算法是解单源最短路径问题的贪心算法。 9.3 单源最短路径 对右图中的有向图，如何考虑用贪心法获得从源顶点1到其他顶点间最短路径 设置顶点集合S并不断地作贪心选择来扩充这个集合。 一个顶点属于集合S当且仅当从源到该顶点的最短路径长度已知。 初始时，S中仅含有源。 设u是G的某一个顶点，把从源到u且中间只经过S中顶点的路称为从源到u的特殊路径，并用数组dist记录当前每个顶点所对应的最短特殊路径长度。 Dijkstra算法每次从V-S中取出具有最短特殊路长度的顶点u，将u添加到S中，同时对数组dist作必要的修改。一旦S包含了所有V中顶点，dist就记录了从源到所有其他顶点之间的最短路径长