第2节 贪婪法.ppt

第 2 章 贪婪法 贪婪法的设计思想 贪婪法解背包问题 MST（最小生成树）问题 Prim（普里姆）算法 Kruskal（克鲁斯卡尔）算法 单源（单起点）最短路径问题 Dijkstra（狄斯奎诺）算法 本章习题 贪婪法设计思想 贪婪法（Greedy algorithms）设计思想 贪婪法常用来解决最优化问题。犹如登山一样，一步一步向前推进。 从某个初始点出发，根据当前局部的而不是全局的最优决策，以满足 约束方程为条件，使目标函数值增加最快或最慢为规则，决定本步的 局部最优解。如最速上山法各步的方向选择 —— 梯度。计算机学家 把贪婪法作为一种通用设计技术，通过一系列步骤来构造问题的解， 每一步对当前获得的局部最优解进行扩展，直到全局最优解为止。 每一步选择满足（与动态规划法不同）： 1. 可行解：满足约束条件。 2. 局部最优；当前步骤下，所有选择中的局部最佳选择（贪婪）。 3. 不可取消：当前局部解一旦得到，后续步骤无法改变。 贪婪法认为，全局最优解是由一系列步骤的局部最优解构成。优点：比动态规划法的时间和空间效率高，算法设计也较简单。但对于某些 问题，贪婪法不能获得全局最优解。因此，算法设计时，需考虑问题 是否适合用贪婪法解，即贪婪法得到的解是否全局最优解。 简例：找零钱 简例：找零钱 已知：有4种面额的硬币：25分、10分、5分、1分。 要求：用最少数量的硬币支付48分零钱。（目标值48：问题规模） 算法步骤： 1. 支付面额满足约束条件（≤48分）的最大硬币（25分）；（贪婪） 2. 计算目标函数值48-25=23；判断是否达到要求（0分）： 若是，算法停止，否则，返回1步。 计算结果：25，10，10，1，1，1。——6个钱币 算法策略： 总是作出当前最佳选择——局部最优。每一步选择最大硬币，是为了 把余下的数量减到最小。 结果讨论： 针对这4种面额，贪婪法的确能给出全局最优解。现在换为3种面额： 7分、5分、1分，找零钱11分。贪婪法结果：7,1,1,1,1 共5个钱币。 最优解：5,5,1共3个钱币。因此，贪婪法不一定能得到全局最优解。 贪婪法的两个性质（基本要素） 用贪婪法的两个性质判断问题是否适用贪婪法求解 贪婪选择： 所求问题的全局最优解，可通过一系列的局部最优选择来达到。每次 选择就得到一个局部最优解，将所求问题化简为规模更小的子问题。 最优子结构： 问题的最优解中包含它的子问题最优解。换句话说，全局最优解是由局部最优解组成。 贪婪法与动态规划法的区别 动态规划法，第 k 步所作出的选择依赖于第k-1步内若干个子问题解 （与未来选择有关），只有在解出k-1步所有子问题后，才能作出选择。 贪婪法仅在当前状态下作局部最优选择（与未来选择无关）。然后， 再去解作出这个选择后产生的子问题。正由于这种差别，动态规划法 通常以自底向上方式求解各个子问题，而贪婪法则通常以自顶向下的方式进行。贪婪法不能得到最优解时，动态规划法可以得到最优解。 用前面讲过的“数塔”、“多段图”等问题来比较这两种算法的不同。 背包问题 背包问题 （Knapsack Problem） 两类背包问题： 1. 物品可以分割的背包问题。贪婪法求得最优解。 2. 物品不可以分割的0-1背包问题。贪婪法不一定能求得最优解。 背包问题：承重W的背包，n个重量为 w1...wn、价值v1...vn的物品。 求这些物品中最有价值子集，且能装入背包中。 最优化模型： xk (0≤xk≤1)表示物品 k (k=1,...,n) 放入背包的比例系数 三种贪婪装入的策略： 1. 价值最大：满足约束条件下，每次装入价值最大的物品。不一定能 找到最优解，原因是背包承重量消耗太快。 2. 重量最小：满足约束条件下，每次装入重量最轻的物品。不一定能 找到最优解，原因是装入的物品总价值增加太慢。 3. 单位价值最大：满足约束条件下，每次装入单位重量的价值最大的 物品。该策略能够找到最优解。（价值重量比） 背包问题的贪婪算法 背包问题的贪婪算法 有限期的计算机作业调度 给定n个作业j1,j2,…,jn。对于每一个作业ji，有一个与联系的限期di0和收益p≥0，di，pi 均为整数，1≤i≤n。对于作业ji，只有在限期di内完成，才能得到收益pi。 假定只有一台