贪心算法相关知识

 

目录

 基础

定义

工作原理

步骤一:分解问题

步骤二:确定贪心策略

步骤三:求解子问题

步骤四:合并结果

适用场景

活动安排问题

找零问题

哈夫曼编码

局限性

高级

与动态规划的对比

决策方式

最优性保证

时间复杂度和空间复杂度

算法实现要点

贪心策略的证明

数据结构的选择

更多的实际应用示例

资源分配问题

文件压缩中的行程长度编码(RLE)改进

股票买卖问题(简单情况)

贪心算法的优化方向

贪心算法的挑战与应对

贪心算法的未来发展趋势

进阶

贪心算法的数学基础与理论拓展

贪心算法在复杂系统中的应用

贪心算法的性能分析与改进方法


 基础

定义

  • 贪心算法(Greedy Algorithm)是一种在每一步选择中都采取在当前状态下看起来是最好的选择的算法策略。也就是说,它不从整体最优上加以考虑,而是在局部最优解的基础上,希望通过一系列局部最优的选择来达到全局最优。

工作原理

  • 步骤一:分解问题

    • 将一个复杂的问题分解为一系列的子问题。例如,在找零问题中,要将找零的总金额分解为各种面额组合的子问题。
  • 步骤二:确定贪心策略

    • 针对每个子问题,确定一种贪心的选择策略。在活动安排问题中,贪心策略是每次选择结束时间最早的活动,这样可以在有限的时间内安排尽可能多的活动。
  • 步骤三:求解子问题

    • 按照贪心策略,依次对每个子问题进行求解,不考虑整体的最优解情况。如在哈夫曼编码问题中,贪心策略是每次选择频率最低的两个节点合并,不断构建哈夫曼树。
  • 步骤四:合并结果

    • 将各个子问题的解合并起来得到最终的解。在任务调度问题中,按照每个任务的某种贪心属性(如最短处理时间等)安排任务顺序后,最终得到整体的任务调度方案。

适用场景

  • 活动安排问题

    • 有一系列活动,每个活动都有开始时间和结束时间。要在有限的时间内安排尽可能多的活动。贪心算法按照活动结束时间的先后顺序对活动进行排序,然后依次选择不与已选活动冲突的活动,这样可以得到最多的活动安排数量。
  • 找零问题

    • 给定一个需要找零的金额,以及有限种类的硬币面额(如 1 元、5 角、1 角等)。贪心算法的策略是每次选择尽可能大面额的硬币,直到凑够找零金额。这种算法在硬币面额满足特定条件(如任意大面额都是小面额的整数倍)时能得到最优解。
  • 哈夫曼编码

    • 对于一组字符及其出现的频率,要构建一种编码方式使得总编码长度最短。贪心算法通过每次选择频率最低的两个子树合并来构建哈夫曼树,最终得到每个字符的哈夫曼编码。

局限性

  • 贪心算法并不总是能得到全局最优解。例如在旅行商问题(Travelling Salesman Problem,TSP)中,要找到一个旅行商经过所有城市且每个城市只经过一次的最短路径。如果采用贪心算法,比如每次选择距离当前城市最近的未访问城市作为下一个目标,这样得到的路径往往不是全局最短路径。因为贪心算法只考虑了当前的局部最优选择,而忽略了后续选择可能产生的影响。

高级

与动态规划的对比

  • 决策方式

    • 贪心算法在每一步只做出当前看起来最优的决策,而不考虑这一决策对未来步骤的影响。例如在任务调度问题中,如果贪心策略是选择执行时间最短的任务先执行,它不会去考虑这个任务执行完之后对其他任务的连锁影响是否会导致整体最优性被破坏。
    • 动态规划则会考虑整个问题的所有子问题以及它们之间的相互关系。动态规划会通过记录子问题的解来避免重复计算,在做决策时会综合考虑各个子问题的最优解组合来得到全局最优解。例如在最长公共子序列问题中,动态规划会通过填充一个二维数组来记录不同长度的子序列之间的公共子序列长度,最后通过回溯这个数组得到最长公共子序列,而不是像贪心算法那样只考虑局部的最优选择。
  • 最优性保证

    • 贪心算法不一定能保证得到全局最优解,只有在问题具有特定的结构性质(如拟阵结构等)时才能保证。例如在部分背包问题中,因为物品可以分割,贪心算法(按照单位价值最高优先选择物品)可以得到最优解;但在 0 - 1 背包问题中,每个物品要么全选要么不选,贪心算法就不能保证得到最优解。
    • 动态规划如果正确地定义了状态和状态转移方程,是能够保证得到全局最优解的。
  • 时间复杂度和空间复杂度

    • 贪心算法通常具有较低的时间复杂度和空间复杂度。由于它只需要进行一次扫描或者有限次数的操作就能得到解,其时间复杂度往往是多项式级别的,如或者等,空间复杂度也比较低,很多时候只需要常数级或者与输入规模线性相关的空间。例如在找零问题中,贪心算法的时间复杂度主要取决于对硬币面额的排序时间(如果需要排序的话),通常为(假设 n 是硬币面额的种类数),空间复杂度为。
    • 动态规划的时间复杂度和空间复杂度相对较高。因为它需要存储所有子问题的解,时间复杂度可能是多项式的高次幂或者指数级别的,空间复杂度也可能很高。例如在矩阵链乘法问题中,动态规划的时间复杂度是,空间复杂度是,其中 n 是矩阵的个数。

算法实现要点

  • 贪心策略的证明

    • 在使用贪心算法之前,最好能够证明贪心策略的正确性。对于一些简单的问题,可以通过直观的分析和反证法来证明。例如在活动安排问题中,可以假设存在一个最优解不是按照贪心策略(按活动结束时间最早排序选择)得到的,然后通过调整活动顺序可以证明这个最优解可以转换为按照贪心策略得到的解,从而证明贪心策略的正确性。
    • 对于复杂的问题,可能需要借助一些数学工具,如数学归纳法、拟阵理论等。例如,对于具有拟阵结构的问题,可以利用拟阵的性质来证明贪心算法的正确性。
  • 数据结构的选择

    • 根据贪心策略和问题的特点选择合适的数据结构。在找零问题中,如果硬币面额是固定的,并且不需要排序,可能只需要一个简单的数组来存储面额信息就可以了。
    • 在活动安排问题中,为了方便按照活动结束时间排序并选择活动,可以使用排序算法(如快速排序)先对活动的时间区间进行排序,这时候就需要用到数组或者链表等数据结构来存储活动信息。在哈夫曼编码问题中,构建哈夫曼树时通常会用到优先队列(最小堆或者最大堆)来高效地选择频率最低的节点进行合并操作。

更多的实际应用示例

  • 资源分配问题

    • 假设有多个任务和有限的资源(如 CPU 时间、内存等),每个任务需要一定的资源量并且有相应的收益。贪心算法可以根据不同的贪心策略来分配资源,例如按照单位资源的收益最高来分配资源给各个任务。如果资源是可分割的,这种贪心策略可能会得到较好的结果,但如果资源不可分割(如每个任务只能分配完整的 CPU 核心),贪心算法可能无法保证全局最优。
  • 文件压缩中的行程长度编码(RLE)改进

    • 在基本的行程长度编码中,它通过连续重复字符的个数和字符本身来表示数据。可以使用贪心算法对其进行改进,例如在对图像数据进行编码时,不是简单地按照顺序统计重复字符个数,而是根据图像的局部特征(如颜色块的分布等)采用贪心策略来选择更合适的编码单元,可能会提高压缩效率。
  • 股票买卖问题(简单情况)

    • 如果只能进行一次股票买入和卖出操作,并且已知股票在未来一段时间内每天的价格。贪心算法的策略可以是记录最低价格,然后在价格高于最低价格时卖出,这样可以获得最大的利润。但这种情况是比较简单的,对于更复杂的股票买卖规则(如多次买卖、手续费等情况),贪心算法可能需要更复杂的策略或者可能不再适用。

贪心算法的优化方向

  • 结合其他算法:贪心算法可以与其他算法结合使用,以提高求解问题的效率和准确性。例如,可以将贪心算法与模拟退火、遗传算法等启发式算法相结合,在贪心算法得到一个局部最优解的基础上,通过启发式算法进行进一步的搜索和优化,以期望找到更接近全局最优的解。
  • 动态调整贪心策略:在一些复杂的问题中,固定的贪心策略可能无法适应不同的情况。可以根据问题的特点和求解过程中的反馈信息,动态地调整贪心策略。例如,在网络路由问题中,可以根据网络的拥塞情况和链路质量的变化,动态地调整路由选择的贪心策略,以提高网络的性能和可靠性。
  • 多阶段贪心算法:对于一些可以分为多个阶段的问题,可以设计多阶段的贪心算法。在每个阶段,根据当前的情况选择局部最优的决策,然后在后续的阶段中根据前面阶段的决策结果进行调整和优化。例如,在项目规划问题中,可以将项目分为多个阶段,每个阶段都采用贪心算法进行资源分配和任务安排,同时考虑前一阶段的结果对后续阶段的影响。

贪心算法的挑战与应对

  • 局部最优陷阱:贪心算法的主要挑战之一是可能陷入局部最优解而无法得到全局最优解。为了避免这种情况,可以采用多种方法进行尝试。例如,可以使用不同的初始状态进行贪心算法的求解,然后选择其中最好的结果;或者在贪心算法的求解过程中,引入一定的随机性,以增加跳出局部最优解的可能性。
  • 问题的复杂性:对于一些复杂的问题,很难确定一个合适的贪心策略。在这种情况下,可以通过对问题进行分析和简化,找到问题的关键特征和约束条件,从而设计出有效的贪心策略。同时,可以通过实验和分析,评估贪心算法在不同情况下的性能和效果,以便进行进一步的优化和改进。
  • 数据的不确定性:在实际应用中,数据往往存在不确定性,这可能会影响贪心算法的性能和结果。为了应对数据的不确定性,可以采用一些鲁棒性的贪心策略,例如在选择决策时考虑多种可能的情况,并选择最稳定的决策;或者使用一些数据预处理技术,如数据清洗、数据平滑等,以减少数据的不确定性对贪心算法的影响。

贪心算法的未来发展趋势

  • 自适应贪心算法:随着人工智能和机器学习技术的发展,未来可能会出现自适应的贪心算法,能够根据问题的特点和求解过程中的反馈信息,自动调整贪心策略和参数,以提高算法的性能和适应性。
  • 并行贪心算法:对于大规模的问题,并行计算可以显著提高算法的效率。未来可能会出现并行的贪心算法,能够利用多核处理器、分布式计算等技术,同时对多个子问题进行求解,以加快算法的求解速度。
  • 贪心算法与深度学习的结合:深度学习在图像识别、自然语言处理等领域取得了巨大的成功。未来可能会出现贪心算法与深度学习相结合的方法,利用深度学习的强大特征提取能力和贪心算法的高效求解能力,解决复杂的实际问题。例如,可以使用深度学习模型对问题进行建模和预测,然后使用贪心算法进行优化和决策。

进阶

  1. 贪心算法的数学基础与理论拓展

    • 拟阵理论:拟阵是一种抽象的数学结构,它为贪心算法提供了坚实的理论基础。在拟阵中,独立集的性质类似于贪心算法中的局部最优选择。通过判断一个问题是否可以建模为拟阵,可以确定贪心算法是否能得到全局最优解。例如,在图的最小生成树问题中,可以通过将图的边集看作拟阵的元素,利用贪心算法(Kruskal 算法和 Prim 算法)有效地求解最小生成树。
    • 博弈论视角下的贪心算法:在某些情况下,可以将贪心算法看作一种博弈过程。每个决策步骤可以看作是参与者在博弈中的行动,而目标是在这个博弈中达到最优的结果。通过分析博弈的均衡状态和参与者的策略,可以更好地理解贪心算法的性能和局限性。例如,在资源分配问题中,不同的参与者可能会根据自己的利益进行决策,而贪心算法可以看作是一种逐步逼近均衡状态的过程。
  2. 贪心算法在复杂系统中的应用

    • 复杂网络分析:在复杂网络中,贪心算法可以用于节点重要性评估、社区发现等任务。例如,在评估节点重要性时,可以采用贪心算法选择具有最高度、介数等特征的节点,这些节点往往在网络的信息传播、稳定性等方面起着关键作用。在社区发现问题中,可以通过贪心算法逐步合并相似的节点或子社区,以得到网络的社区结构。
    • 供应链管理:在供应链管理中,贪心算法可以用于优化库存管理、物流路径规划等问题。例如,在库存管理中,可以根据贪心策略(如最小化库存成本、最大化服务水平等)来确定最佳的库存水平和补货策略。在物流路径规划中,可以采用贪心算法选择最短路径、最小化运输成本等目标下的最优路径。
  3. 贪心算法的性能分析与改进方法

    • 性能分析指标:除了传统的时间复杂度和空间复杂度外,还可以使用其他指标来评估贪心算法的性能。例如,可以考虑算法的近似比,即贪心算法得到的解与最优解之间的比例关系。如果一个贪心算法的近似比是有界的,那么它可以在一定程度上保证得到接近最优解的结果。此外,还可以分析算法的稳定性和鲁棒性,即在输入数据存在噪声或不确定性时,算法的性能表现。
    • 改进方法:为了提高贪心算法的性能,可以采用多种改进方法。例如,可以结合局部搜索、模拟退火等启发式算法,在贪心算法得到的解的基础上进行进一步的优化。还可以采用并行计算、分布式计算等技术,加快贪心算法的求解速度。另外,通过对问题进行更深入的分析和建模,设计更合适的贪心策略和数据结构,也可以提高算法的性能。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/55599.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Elasticsearch基础_5.ES聚合功能

文章目录 一、数据聚合1.1、桶聚合1.1.1、单维度桶聚合1.1.2、聚合结果排序1.1.3、限定聚合范围 1.2、Metric聚合 二、聚合总结 本文只记录ES聚合基本用法,后续有更复杂的需求可以查看相关书籍,如《Elasticsearch搜索引擎构建入门与实战》 一、数据聚合…

幂,你去哪儿了-《分析模式》漫谈37

DDD领域驱动设计批评文集 做强化自测题获得“软件方法建模师”称号 《软件方法》各章合集 “Analysis Patterns”的第3章的图3.5,原文的图是: 2004(机械工业出版社)中译本的图是: direct翻译成分子,inv…

Linux聊天集群开发之环境准备

一.windows下远程操作Linux 第一步:在Linux终端下配置openssh,输入netstate -tanp,查看ssh服务是否启动,默认端口22.。 注:如果openssh服务,则需下载。输入命令ps -e|grep ssh, 查看如否配有, ssh-agent …

VirtualBox Ubuntu22.04 NOI linux2.0 Terminal无法打开 终端打不开 两步解决法儿

新安装的虚拟机无法打开Terminal,从应用列表中单击Terminal,左上角任务栏会出现Terminal,并且鼠标转圈,但是过一会左上角Terminal消失,就像一切都没有来过。 解决办法: CTRL ALT F3 进入命令行模式&…

004集—— txt格式坐标写入cad(CAD—C#二次开发入门)

如图所示原始坐标格式,xy按空格分开,将坐标按顺序在cad中画成多段线: 坐标xy分开并按行重新输入txt,效果如下: 代码如下 : using Autodesk.AutoCAD.DatabaseServices; using Autodesk.AutoCAD.Runtime; us…

pytorch导入数据集

1、概念: Dataset:一种数据结构,存储数据及其标签 Dataloader:一种工具,可以将Dataset里的数据分批、打乱、批量加载并进行迭代等 (方便模型训练和验证) Dataset就像一个大书架,存…

trans-cinnamate 4-monooxygenase肉桂酸4-羟化酶C4H的克隆和功能鉴定-文献精读62

Cloning and functional characterization of two cinnamate 4-hydroxylase genes from Pyrus bretschneideri 两种从白梨(Pyrus bretschneideri)中克隆和功能鉴定的肉桂酸4-羟化酶基因 摘要 肉桂酸4-羟化酶(C4H)是植物苯丙素类…

SpringBoot+ElasticSearch7.12.1+Kibana7.12.1简单使用

案例简介 本案例是把日志数据保存到Elasticsearch的索引中,并通过Kibana图形化界面的开发工具给查询出来添加的日志数据,完成从0到1的简单使用 ElasticSearch职责用法简介 ElasticSearch用在哪 ElasticSearch在我这个案例中,不是用来缓解增…

GPU Puzzles讲解(二)

GPU-Puzzles项目是一个很棒的学习cuda编程的项目,可以让你学习到GPU编程和cuda核心并行编程的概念,通过一个个小问题让你理解cuda的编程和调用,创建共享显存空间,实现卷积和矩阵乘法等 https://github.com/srush/GPU-Puzzleshttp…

【正则表达式】粗浅学习

文章目录 1 背景介绍1.1 为什么要学习正则表达式?1.2 什么是正则表达式?1.3 正则表达式可以做什么? 2 基本语法3 典型案例3.1 正整数3.2 IPv4类型的IP地址3.2.1 点分10进制表示格式 1 背景介绍 1.1 为什么要学习正则表达式? 日常…

面试系列-分组Tire树匹配算法

自己写的分组Tire树匹配算法,该算法用于云南省人工智能重点实验室与云南电网合作项目(云南电网敏感信息识别系统),用于快速匹配文本将项目中数据算法抽离出来,特此分享!!!可以实现动态的插入、删…

NVIDIA Hopper 架构深入

在 2022 年 NVIDIA GTC 主题演讲中,NVIDIA 首席执行官黄仁勋介绍了基于全新 NVIDIA Hopper GPU 架构的全新 NVIDIA H100 Tensor Core GPU。 文章目录 前言一、NVIDIA H100 Tensor Core GPU 简介二、NVIDIA H100 GPU 主要功能概述1. 新的流式多处理器 (SM) 具有许多性能和效率…

leetcode58:最后一个单词的长度

给你一个字符串 s,由若干单词组成,单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度。 单词 是指仅由字母组成、不包含任何空格字符的最大 子字符串 。 示例 1: 输入:s "Hello World" 输出&#xff…

浅谈汽车智能座舱如何实现多通道音频

一、引言 随着汽车智能座舱的功能迭代发展,传统的 4 通道、6 通道、8 通道等音响系统难以在满足驾驶场景的需求,未来对于智能座舱音频质量和通道数会越来越高。接下来本文将浅析目前智能座舱如何实现音频功放,以及如何实现多路音频功放方案。…

iOS 多次获取图片主题色不一样

一个需求中,要求获取图片的主题色 代码如下 -(void)kk_getImage:(UIImage *)image fetchthemeColor:(void(^)(UIColor *color))callBack {dispatch_async(dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0), ^{// 第一步 先把图片缩小 加快计算速度.…

C语言文件操作(上)(27)

文章目录 前言一、为什么要用文件?二、什么是文件?程序文件数据文件文件名文件类型文件缓冲区文件指针 三、流流的概念标准流 总结 前言 C语言可以直接操作文件,如果你是第一次听说这个特性,可能会眼前一亮,感到惊奇  …

MongoDB的安装与增删改查基本操作

MongoDB是一种非关系型数据库,是NoSQL语言,但是又是最接近关系型数据库的。内部存储不是表结构,但是可以对数据进行表结构的操作。 一、安装 在官网:Download MongoDB Community Server | MongoDB下载系统对应的版本进行安装即可 二、编辑器 在安装MongoDB后会自带一个编…

图片格式入门

主要参考资料: 常见的图片格式介绍: https://blog.csdn.net/cnds123/article/details/127165291 目录 像素图与矢量图像素图(pixel image)矢量图(Vector graphics) 像素图与矢量图 像素图(pixel image&…

D3.js中国地图可视化

1、项目介绍 该项目来自Github,基于D3.js中国地图可视化。 D3.js is a JavaScript library for manipulating documents based on data. It uses HTML, SVG, and CSS to display data. The full name of D3 is "Data-Driven Documents," which means it a…

Spring Boot项目使用MyBatis Plus的详细步骤

在Spring Boot项目中使用MyBatis Plus,可以极大地简化数据库操作,提高开发效率。以下是在Spring Boot项目中集成和使用MyBatis Plus的详细步骤: 一、环境准备 确保已安装Java和Spring Boot:MyBatis Plus是基于Java和Spring Boot…