贪婪算法2.pdfVIP

貪婪策略 貪婪策略（Greedy Method ）常用來解決最佳化問題（Optimization Problem ）。貪婪法是最直接的解法，每次的決策都是朝向目前 “最好 ” 的方向前進，而且不回頭。舉例來說，某一個銀行出納櫃檯要服務 n 個 顧客，銀行的目標是希望顧客在櫃檯等待的平均時間要最少。解決之道 是每次都從尚未服務的顧客中，選擇需要服務時間最短的顧客來服務， 如此就可達到預期目標。像這樣每次都選擇最小服務時間的策略就是一 種貪婪策略。 現在以實例說明此演算法。假設有 5 個顧客 A ，B ，C ，D ，E 幾乎同時到 達銀行櫃檯，其所需服務時間如下表： 顧客 服務時 間 A 5 B 1 C 4 D 2 E 3 根據貪婪演算法，銀行櫃檯將依序服務 B ，D ，E ，C ，A 。顧客在櫃檯等 待的平均時間為[1 + (1 + 2) + (1 + 2 + 3) + (1 + 2 + 3 + 4) + (1 + 2 + 3 + 4 + 5) ] / 5 = 7 。 再介紹一個可用貪婪策略解決的背包問題 （Knapsack Problem ）。假設 有多個可分解的物件和一只限重 W 的背包，每件物件有其重量及其被選 取放入背包內的利益。請問要如何將物件放進背包內而使得獲得的利益 最大？解決的方法是每次在限重的情形下，選取尚未放入的物件中擁有 最大的利益與重量的比值之物件放入背包內。 設背包限重 100 ，有A ，B ，C ，D ，E 共五個物件，其資料如下表： 物件 重量 利益 利益/重量 A 10 20 2.0 B 20 30 1.5 C 30 66 2.2 D 40 40 1.0 E 50 60 1.2 因為物件 C 的利益/重量最高，所以將物件 C 放入背包內，此時背包的 重量為 30 。接著從物件A ，B ，D ，E 中挑出其利益/重量最高的物件 A 放入背包內，這時背包的重量為 30＋10＝40 。接下來，從物件B ，D ，E 中挑出其利益/重量最高的物件 B裝入背包內，之後背包的重量為 40+20=60 。再從剩下的物件D 和 E 中選出其利益/重量最高的物件 E 。由 於物件 E 整個放入背包內會超過重量 100﹐所以物件E 只能放入0.8 個。 放入以後得總重量為 60+50∗ 0.8=100 。最後得到的利益為66+20+30+60∗ 0.8=164 。物件裝入背包的情形整理於下表﹕ 物件 個數 累計利益 累計重量 C 1 66 30 A 1 86 40 B 1 116 60 E 0.8 164 100 接著介紹最小擴展樹（Minimum Spanning Tree）問題。圖 22.5是由頂 點（Vertex