算法设计与分析耿国华第四章.pptVIP

第四章 贪心算法 4.1 贪心算法基础 4.1.1 贪心算法的基本思想 贪心算法是从问题的某一个初始解出发，向给定的目标推进。但它与普通递推求解过程不同的是，其推动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，不断地将问题实例归纳为更小的相似的子问题，并期望通过所做的局部最优选择产生出一个全局最优解。 4.1.2 贪心算法的基本要素 一个贪心算法求解的问题必须具备以下两要素： 1. 贪心选择性质 所谓贪心选择性质是指应用同一规则，将原问题变为一个相似的、但规模更小的子问题、而后的每一步都是当前看似最佳的选择。这种选择依赖于已做出的选择，但不依赖于未做出的选择。 4.1.2 贪心算法的基本要素 表4-1 动态规划算法和贪心算法的区别 4.1.3 贪心算法适合的问题 贪心算法通常用来解决具有最大值或最小值的优化问题。它是从某一个初始状态出发，根据当前局部而非全局的最优决策，以满足约束方程为条件，以使得目标函数的值增加最快或最慢为准则，选择一个最快地达到要求的输入元素，以便尽快地构成问题的可行解。 4.1.4 贪心算法的基本步骤 步骤： (1) 选定合适的贪心选择的标准； (2) 证明在此标准下该问题具有贪心选择性质； (3) 证明该问题具有最优子结构性质； (4) 根据贪心选择的标准，写出贪心选择的算法，求得最优解。 4.1.5 贪心算法的例子 例4-1：n＝3，M=20，p＝(25，24，15)，w= (18，15，10)。假设物品可分，故有可行解无数个，其中的四个可行解如表4-2所示。 表4-2 部分背包问题的四个可行解 4.1.5 贪心算法的例子 (1)”效益”优先,使每装入一件物品就使背包获得最大可能的效益值增量. 按物品收益从大到小排序0,1,2 解为: (x0，x1，x2)=(1, 2/15, 0) 收益: 25+24*2/15=28.2 此方法解非最优解。原因:只考虑当前收益最大,而背包可用容量消耗过快. (2)选重量作为量度,使背包容量尽可能慢地被消耗. 按物品重量从小到大排序:2,1,0; 解为: (x0，x1，x2)=(0, 2/3, 1) 收益: 15+24*2/3=31 此方法解非最优解。原因:虽然容量消 耗慢，但效益没有很快的增加. 4.1.5 贪心算法的例子 (3)选利润/重量为量度，使每一次装入的物品应使它占用的每一单位容量获得当前最大的单位效益。 按物品的pi/wi重量从大到小排序:1,2,0; 解为: (x0，x1，x2)=(0, 1, 1/2) 收益: 24+15/2=31.5 此方法解为最优解。可见，可以把pi/wi 作为背包问题的最优量度标准。 4.1.5 贪心算法的例子 ——设计与实现 算法4.1 用贪心算法求解部分背包问题 void GreedyKnapsack(float *p, float *w, float M, int n, float* x) {//前置条件：w[i]已按p[i]/w[i]的非增次序排列 float u=M; //u为背包剩余载重量，初始时为m for (int i=0; in; i++) x[i]=0; //对解向量x初始化 for (i=0; in; i++) //按最优量度标准选择解的分量 { if (w[i]u) break; x[i]=1.0; u=u?w[i]; } if (in) x[i]=u/w[i]; } 4.1.5 贪心算法的例子 ——算法分析 1）贪心选择性质