1、贪心算法
贪心算法，是在每一次选择中，总是做出当前看来最好的选择，而不从整体的最优考虑，选择只是某种意义上局部的最优解。生活中很多问题需要对资源优化分配，达到资源利用率最大化。贪心算法虽然不能对所有的问题都求得整体最优解，但是对大部分的问题都能求得最优近似解，对部分问题也能得到最优解，例如单源最短路径、最小生成树等。
● 语言描述与基本思想
贪心算法的语言描述为：贪心算法一步步进行，每次都对当前的局部最优解判断：若添加入部分解后仍是可行解就加入；否则舍弃该局部解，寻找下一个局部最优解，直到将所有数据全部枚举完成或可以确定达到目标。
基本思想可以概括为：从问题的某一个初始解出发，向给定的目标推进，每次都做出当前最佳的贪心选择，不断将问题实例归纳为更小的相似子问题。
● 基本性质
贪心算法常用于解决最大值或最小值的优化问题。贪心算法能求得最优解的问题一般具有两个重要性质：
- 贪心选择性质：问题的整体最优解可以通过一系列局部最优的选择达到。这是贪心算法可行的第一个基本要素，也是贪心算法问题和动态规划问题的主要区别。贪心算法通常自顶向下，以迭代的方式做出相继的贪心选择。
- 最优子结构性质：问题的整体最优解包含子问题的最优解。
● 贪心算法与动态规划对比
贪心算法较为简便，效率更高，但求出的解不一定是整体最优解；动态规划通过求子问题的解构造原问题的解，相对更为复杂，但通过若干局部解的比较，去掉了次优解，得到的必定是整体最优解。
● 基本步骤
贪心算法主要分3个步骤：
- 建立数学模型分析问题
- 选定合适的贪心选择标准
- 根据贪心选择标准完成算法
2、经典问题
● 找零问题
- 问题描述
假设有面值为50元、20元、10元、5元、1元的货币，现需要找给顾客x元现金，求最少给出的货币总数。 - 问题分析
在现实的合理货币标准下，找零问题是最简单的贪心算法例题之一。若货币标准由题目给定，可能需要动态规划求解。
设y∈{50,20,10,5,1}使得找x-y元现金成为原问题的一个子问题，当wx为原问题的最优解时，wx-y=wx-1必然是原问题的最优解；否则原问题将有wx’=wx-y+1<wx的更优解。由上反证法可证明找零问题具有最优子结构性质。
在题目所给条件下，该问题也具有贪心选择性质。 - 算法实现
//找零问题
//贪心算法求最小货币数,cash为货币数组,x为找零总数,res为各货币使用总数
int getMinCash(int x,int *cash,int *res)
{
sort(cash);
int ans = 0;
int i = 0;
while(x > 0){
if(x >= cash[i]){
x -= cash[i];
++res[i];
++ans;
}
else
++i;
}
return ans;
}
● 活动安排问题
- 问题描述
设n个活动的集合E={1,2,…,n}，每个活动需要使用统一资源，而同一时间只能有一个活动使用这一资源。每个活动i都有一个开始时间si和一个结束时间fi，且必有si<fi。任意一个活动将在半开区间[si,fi)内占用资源。对于两个活动i和j，若区间[si,fi)和[sj,fj)不相交，称i和j是相容的；否则称i和j是不相容的或冲突的。求在一定时间内所能安排活动的最大数，也即求集合E的最大相容子集。 - 问题分析
活动安排问题是贪心算法有效求解的例题之一。我们选择结束时间作为贪心选择的标准，每次都选择当前可容的结束时间最早的活动。这样做的目的是为剩余的未安排活动留下尽可能多的时间。该问题的最优子结构性质可由数学归纳法证明；贪心选择性质可由反证法证明。 - 算法实现
//活动安排问题
//获取最大相容活动个数和子集,s为开始时间集合,f为结束时间集合,n为活动总数,res为选择的活动
int getMaxActivity(int *s,int *f,bool* res,int n)
{
int lastF = 0;
int ans = 0;
for(int i = 1;i <= n;i++){
if(s[i] >= lastF){
++ans;
res[i] = true;
lastF = f[i];
}
}
return ans;
}
时间复杂度分析：对于已经给定非降序序列，主要时间消耗在遍历序列上，故时间复杂度为O(n)；若给定序列无序，还需要进行排序，则时间复杂度由排序的时间复杂度决定，通常为O(nlog n)。
● 删数问题
- 问题描述
对给定的数字串x1x2…xn，删除其中的k个数字，使得剩余数字按原次序组成的新数字最大。 - 问题分析
对于一个长整数，其高位数字越大，数字也就越大。若存在xi与xi+1满足xi<xi+1，则删除xi必然能使数字变大；当序列已经呈非增序时，删除末尾的元素。由于越高位的数字对数字的大小影响也越大，由此可以从左端开始遍历，每次遇到第一个删除的数字就是当前的局部最优解。而每次贪心选择后，问题都化为n-1的子问题，因此该问题具有贪心选择性质。
设An为n问题的最优解，而An-1是n-1问题的最优解。若An-1不是n-1问题的最优解，设该最优解为Bn-1，满足Bn-1>An-1，那么补上删除的xi后，必有An = An-1 + xi · 10n-i < Bn-1 + xi · 10n-i = Bn，即存在Bn>An满足Bn为更优解。由上反证法可得，该问题具有最优子结构性质。 - 算法实现
//删数问题
//x为数字序列,k为需要删除的数字个数,n为序列长度
void getMaxAfterDelK(int* x,int k,int n)
{
int i;
int t = 0;
while(t < k){
for(i = 1;i <= n - 1;i++){
if(x[i] < x[i+1]){
int tmp = x[i];
for(int j = i;j <= n - t - 1;j++) //被删元素后的元素前移
x[j] = x[j+1];
x[n-t] = tmp;
++t;
break;
}
}
if(i == n) break;
}
}
时间复杂度分析：删数问题的贪心算法主要时间消耗在遍历数组和移动数组上，共循环k次，所以时间复杂度为O(kn)。
● 揹包问题
- 问题描述
给定n种物品和一个容量为C的揹包，物品i的重量为wi，价值为vi，如何选择装入揹包的物品，使得揹包中物品总价值最大？ - 问题分析
在前面学习动态规划时提到过，揹包问题分为两种：0-1揹包问题和可拆分揹包问题(简称揹包问题)。对于0-1揹包问题，由于揹包剩余空间可能降低物品的单位重量价值，因此不适用贪心算法，而适用动态规划。而这里将讨论物品物品可拆分的揹包问题。
由于揹包的容量是有限的，因此物品的重量和价值都会对结果产生影响。因此我们以物品的单位重量价值作为贪心选择的标准。每次选择单位重量价值最高的物品加入揹包。
每次贪心选择放入R%的物品i后，我们的问题就变成C - R% · wi的揹包容量与剩余物品集合的揹包问题了。设原问题的最优解为A，子问题的最优解为A’。设子问题有更优解满足B‘ > A’，那么加上揹包内的价值R% · vi后，可以得到A = A’ + R% · vi < B’ + R% · vi = B，即B为原问题的更优解。如上反证法可得该问题具有最优子结构性质。
设k为原问题或原问题的一个子问题。对于k的第一个选择，若该选择为贪心选择，则满足贪心选择性质；若该选择不为贪心选择，可以将其替换为贪心选择，而不影响之后的选择，使得得到的新解优于原解。因此，该问题具有贪心选择性质。 - 算法实现
//揹包问题
//物品结构体
struct Object{
double w;
double v;
double v_w;
int i;
};
//objects为物品集合,c为揹包容量,n为集合长度,res储存物品的选取重量
double getMaxBagValue(Object* objects,double c,int n,double* res) //贪心算法求揹包能放的最高价值
{
sort(objects+1,objects+n+1,[](Object a,Object b)->bool{return a.v_w > b.v_w;}); //对物品按单位重量排序
int i = 1;
double value = 0;
while(c >= objects[i].w){ //能完全装入的完全装入
c -= objects[i].w;
value += objects[i].v;
res[objects[i].i] += objects[i].w;
++i;
}
if(c > 0){ //不能完全装入的，将剩余空间填满
double r = c / objects[i].w;
value += r * objects[i].v;
res[objects[i].i] += c;
}
return value;
}
时间复杂度分析：揹包问题的贪心算法时间主要消耗在对物品序列排序，其时间复杂度通常为O(nlog n)；若给出的序列以满足按单位重量价值非增序，则时间消耗主要在遍历物品序列上，其时间复杂度为O(n)。
● 单源最短路径
- 问题描述
给定一个带权有向图G={V,E}，每条边的权值为非负实数。从图上的一点v0(源)出发，求到达任意另一点vi的最短路径。 - 问题分析
最短路径问题显然具有最优子结构性质：最短路径必然能分成多个子问题的最短路径，否则该路径可以以最短路径替代，以得到更优的路径。
最短路径问题的贪心选择性质证明如下：
我们取当前的最短路径为贪心选择标准，若最短路径不具有贪心选择性质，则必然存在点vx位于贪心路径之外。那么v0到vi的最短路径d(0,i)可以表示为：
d(0,i) = d(0,x) + d(x,i)。
设v0到vi的贪心选择路径为dist(0,i)，则一定有：
d(0,i) < dist(0,i)。
由于各边的权值均为非负，那么应有：
d(0,x) ≤ d(0,i)
再由上面的第二个式子可以得到：
d(0,x) < dist(0,i)
这个式子表示顶点v0到vx的距离小于v0到vi的贪心选择距离。根据贪心选择的定义，vx应当在贪心选择路径中。
由上反证法可证明最短路径问题的贪心选择性质。
Dijkstra算法是典型的最短路径算法。它将顶点分为两个集合：已得到最短路径的顶点集合S和未确定最短路径的顶点集合V-S，并设一个数组D保存v0到V-S内顶点的当前最短路径。
算法步骤如下：
● 初始状态下，S中只有v0，D中记录v0到其它各顶点出弧的权值；若不邻接，则记为无穷大；
● 从D中选择一条最短、且邻接点不在S中的路径，并将邻接点加入S中，该最短路径就是v0到该点的最短路径；
● 遍历该邻接点的所有出弧，计算出弧的权值与源到邻接点最短路径的和，并与D中记录的源到弧头的最短路径比较。如果和小于原记录，则更新数组D。
● 重复步骤2和3，直到所有的顶点都加入S，或目标顶点vi 加入S。
- 算法实现
//Dijkstra算法求最短路径
//图的结构体
struct Graph{
int **martix; //邻接矩阵
int v; //顶点个数
};
//G为图,dist为最短路径数组,prev为前置顶点集合,v0为出发点
void dijkstra(Graph G,int* dist,int *prev,int v0)
{
bool visited[G.v] = {false};
visited[v0] = true;
//初始化
for(int i = 0;i < G.v;i++){
if(G.martix[v0][i] > 0 && i != v0){
dist[i] = G.martix[v0][i];
prev[i] = v0;
}
else{
dist[i] = 0x7fffffff;
prev[i] = -1;
}
}
dist[v0] = 0;
prev[v0] = v0;
//循环n-1次
for(int i = 0;i < G.v;i++){
if(i == v0) continue;
int min_num = 0x7fffffff;
int v; //下一个加入的点
for(int j = 0;j < G.v;j++){ //遍历查询最短的路径
if(visited[j] == false && dist[j] < min_num){
min_num = dist[j];
v = j;
}
}
visited[v] = true;
for(int j = 0;j < G.v;j++){ //更新dist
if(visited[j] == false && G.martix[v][j] > 0 && min_num + G.martix[v][j] < dist[j]){
dist[j] = min_num + G.martix[v][j];
prev[j] = v;
}
}
}
}
//构造最优路径
void showPath(int* prev,int v)
{
if(v == prev[v])
cout << 'v' << v;
else{
cout << 'v' << v << "<-";
showPath(prev,prev[v]);
}
}