Python之贪心算法

Python实现贪心算法(Greedy Algorithm)

概念

贪心算法是一种在每一步选择中都采取当前状态下最优的选择，从而希望导致结果是全局最优的算法策略。

基本特点

局部最优选择：每一步都做出当前看起来最佳的选择
不可回退：一旦做出选择，就不可更改
高效性：通常比其他全局优化算法更快
不保证全局最优：但能得到近似最优解

基本实现框架

（以分数背包问题为栗子）

def greedy_algorithm(items, capacity):# 通常先按某种规则排序items.sort(key=lambda x: x[1]/x[0], reverse=True)#按单位重量价值（value/weight）降序排序total_value = 0 #背包中物品的总价值selected_items = [] #选择的物品列表（完整或部分物品）#开始选择for item in items:if capacity >= item[0]:capacity -= item[0]total_value += item[1]selected_items.append(item)else:# 可选: 部分物品的情况(如分数背包问题)fraction = capacity / item[0]total_value += item[1] * fractionselected_items.append((item[0]*fraction, item[1]*fraction))breakreturn total_value, selected_items

经典应用示例 😍 😍

1. 找零钱问题

def coin_change(coins, amount):coins.sort(reverse=True)count = 0change = []for coin in coins:while amount >= coin:amount -= coincount += 1change.append(coin)return count if amount == 0 else -1, change# 示例
coins = [25, 10, 5, 1]
print(coin_change(coins, 63))  # 输出: (6, [25, 25, 10, 1, 1, 1])

2. 区间调度问题

def interval_scheduling(intervals):# 按结束时间排序intervals.sort(key=lambda x: x[1])selected = []last_end = -float('inf')for start, end in intervals:if start >= last_end:selected.append((start, end))last_end = endreturn selected# 示例
intervals = [(1, 3), (2, 4), (3, 5), (4, 6)]
print(interval_scheduling(intervals))  # 输出: [(1, 3), (3, 5)]

3. 霍夫曼编码(数据压缩)

import heapqdef huffman_encoding(freq):heap = [[weight, [symbol, ""]] for symbol, weight in freq.items()]heapq.heapify(heap)while len(heap) > 1:lo = heapq.heappop(heap)hi = heapq.heappop(heap)for pair in lo[1:]:pair[1] = '0' + pair[1]for pair in hi[1:]:pair[1] = '1' + pair[1]heapq.heappush(heap, [lo[0] + hi[0]] + lo[1:] + hi[1:])return sorted(heapq.heappop(heap)[1:], key=lambda p: (len(p[-1]), p))# 示例
freq = {'a': 5, 'b': 9, 'c': 12, 'd': 13, 'e': 16, 'f': 45}
print(huffman_encoding(freq))

适用场景

问题具有贪心选择性质：局部最优能导致全局最优
最优子结构：问题的最优解包含子问题的最优解
典型应用：
- 最小生成树(Prim和Kruskal算法)
- 最短路径问题(Dijkstra算法)
- 背包问题的分数版本
- 任务调度问题
- 文件压缩(霍夫曼编码)

贪心算法的局限性👀👀

不总是能得到全局最优解
需要证明问题的贪心选择性质
对某些问题可能需要结合其他算法(如动态规划)

贪心 vs 动态规划💪💪

特性	贪心算法	动态规划
决策	每个阶段做局部最优选择	考虑所有可能的子问题
复杂度	通常更低	通常更高
最优解保证	不总是	总是
存储需求	通常更少	需要存储子问题结果
典型问题	找零钱、任务调度	背包问题、最长子序列