【贪心算法】经典案例分析_贪心算法几个经典例子

目录

案例一：找零钱 

案例二：活动安排

案例三：单源最短路径

---

贪心算法（Greedy Algorithm）是一种基于贪心策略的算法设计方法，它在每一步选择中都采取当前状态下最优的选择，以期望达到全局最优解。贪心算法通常适用于那些具有最优子结构性质的问题，即问题的最优解可以通过子问题的最优解来构造。

贪心算法的基本思想可以简单概括为：

1. 选择策略：在每一步，从所有可选的选择中选择当前看起来最优的那个。

2. 局部最优：通过选择局部最优解来构建全局最优解。

3. 无后效性：每一步的选择只依赖于当前状态，不受之后的影响。

尽管贪心算法在许多情况下能够得到高效的解决方案，但它并不适用于所有问题。因为它没有考虑全局的状态，有时可能会导致得到次优解或者根本无法得到解。

---

案例一：找零钱 

问题：假设你是一个收银员，你需要找给顾客一定数量的零钱。你手上有一些面额不同的硬币（比如1元、5元、10元、20元、50元）。目标是找给顾客最少数量的硬币。

方法：

1. 优先使用大面额的硬币。

2. 如果顾客需要的金额超过当前最大面额的硬币，就使用一个最大面额的硬币，然后继续往下找零。

3. 重复上述步骤，直到找完所有需要的零钱。

def give_change(amount, coins):
    coins.sort(reverse=True)  # 按面额从大到小排序
    change = []  # 用来存放找零的硬币列表
 
    for coin in coins:
        while amount >= coin:
            change.append(coin)
            amount -= coin
 
    return change
 
# 测试
amount = 30
coins = [1, 5, 10, 20, 50]
change = give_change(amount, coins)
print("找零的硬币列表:", change)

---

案例二：活动安排

问题：假设你是一个活动策划师，现在你手上有一系列活动，每个活动都有一个开始时间和结束时间。你希望安排尽可能多的活动，但是由于时间的限制，你不能同时安排两个活动。你的目标是找出安排的最大数量的活动。

方法：

1. 首先，将所有活动按照结束时间从早到晚排序。

2. 选择第一个结束时间最早的活动，并将其安排上日程。

3. 依次考虑后续活动，如果活动的开始时间晚于或等于上一个活动的结束时间，则可以安排该活动。

4. 重复上述步骤，直到所有活动都考虑完毕。 

def activity_selection(start_times, end_times):
    # 将开始时间和结束时间打包成一个元组列表
    activities = list(zip(start_times, end_times))  
    # 按结束时间从早到晚排序
    activities.sort(key=lambda x: x[1])  
    selected_activities = []
 
    end_time = 0
    for activity in activities:
        start, end = activity
        if start >= end_time:
            selected_activities.append(activity)
            end_time = end
 
    return selected_activities
 
# 测试
start_times = [1, 3, 0, 5, 3, 5, 6, 8]
end_times = [4, 5, 6, 7, 8, 9, 10, 11]
selected = activity_selection(start_times, end_times)
 
# 输出选中的活动
print("选中的活动：", selected)

---

案例三：单源最短路径

问题：给定一个带权重的有向图和一个起始节点，我们想要找到从起始节点到图中所有其他节点的最短路径。

方法：Dijkstra算法，其基本思想贪心算法。

1. 初始化：为每个节点设置一个距离值，初始时将起始节点的距离设为0，其他节点的距离设为无穷大。将所有节点放入一个优先队列（最小堆）中，按照距离值进行排序。

2. 选择最近节点：从优先队列中取出距离起始节点最近的节点。

3. 更新相邻节点的距离：对于被选中的节点，遍历其所有相邻节点，更新它们的距离值。如果通过当前节点到达相邻节点的路径比之前计算的路径更短，就更新相邻节点的距离值。

4. 重复步骤2和3：重复选择最近节点和更新相邻节点的距离，直到所有节点都被处理过或者优先队列为空。

5. 最终结果：当所有节点都被处理完毕后，得到了从起始节点到所有其他节点的最短路径。

import heapq
 
def dijkstra(graph, start):
    distances = {node: float('infinity') for node in graph}
    distances[start] = 0
    priority_queue = [(0, start)]
 
    while priority_queue:
        current_distance, current_node = heapq.heappop(priority_queue)
 
        if current_distance > distances[current_node]:
            continue
 
        for neighbor, weight in graph[current_node].items():
            distance = current_distance + weight
            if distance < distances[neighbor]:
                distances[neighbor] = distance
                heapq.heappush(priority_queue, (distance, neighbor))
 
    return distances
 
# 示例图的邻接表表示
graph = {
    'A': {'B': 10, 'C': 5},
    'B': {'D': 5},
    'C': {'B': 1, 'D': 2},
    'D': {'A': 3}
}
 
# 使用Dijkstra算法找到从A到所有其他节点的最短路径
shortest_paths = dijkstra(graph, 'A')
 
# 输出最短路径
for node, distance in shortest_paths.items():
    print(f'Shortest path from A to {node} is {distance}')