算法简介
参考:https://www.cnblogs.com/steven_oyj/archive/2010/05/22/1741375.html
贪婪算法(贪心算法)是指在对问题进行求解时，在每一步选择中都采取最好或者最优(即最有利)的选择，从而希望能够导致结果是最好或者最优的算法。
贪婪算法所得到的结果往往不是最优的结果(有时候会是最优解)，但是都是相对近似(接近)最优解的结果。
-
贪婪算法并没有固定的算法解决框架，算法的关键是贪婪策略的选择，根据不同的问题选择不同的策略。
-
必须注意的是策略的选择必须具备无后效性，即某个状态的选择不会影响到之前的状态，只与当前状态有关，所以对采用的贪婪的策略一定要仔细分析其是否满足无后效性。
比如前边介绍的最短路径问题(广度优先、狄克斯特拉)都属于贪婪算法，只是在其问题策略的选择上，刚好可以得到最优解。
基本思路
其基本的解题思路为：
1.建立数学模型来描述问题
2.把求解的问题分成若干个子问题
3.对每一子问题求解，得到子问题的局部最优解
4.把子问题对应的局部最优解合成原来整个问题的一个近似最优解
案例
这边的案例来自"算法图解"一书
案例一
区间调度问题:
假设有如下课程，希望尽可能多的将课程安排在一间教室里：
| 课程 | 开始时间 | 结束时间 |
|---|---|---|
| 美术 | 9AM | 10AM |
| 英语 | 9:30AM | 10:30AM |
| 数学 | 10AM | 11AM |
| 计算机 | 10:30AM | 11:30AM |
| 音乐 | 11AM | 12PM |
这个问题看似要思考很多，实际上算法很简单:
1.选择结束最早的课，便是要在这教室上课的第一节课
2.接下来，选择第一堂课结束后才开始的课，并且结束最早的课，这将是第二节在教室上的课。
image
重复这样做就能找出答案，这边的选择策略便是结束最早且和上一节课不冲突的课进行排序，因为每次都选择结束最早的，所以留给后面的时间也就越多，自然就能排下越多的课了。
每一节课的选择都是策略内的局部最优解(留给后面的时间最多)，所以最终的结果也是近似最优解(这个案例上就是最优解)。
(该案例的代码实现，就是一个简单的时间遍历比较过程)
案例二
背包问题：有一个背包，容量为35磅 ， 现有如下物品
| 物品 | 重量 | 价格 |
|---|---|---|
| 吉他 | 15 | 1500 |
| 音响 | 30 | 3000 |
| 笔记本电脑 | 20 | 2000 |
| 显示器 | 29 | 2999 |
| 笔 | 1 | 200 |
要求达到的目标为装入的背包的总价值最大，并且重量不超出。
方便计算所以只有3个物品，实际情况可能是成千上万。
同上使用贪婪算法，因为要总价值最大，所以每次每次都装入最贵的,然后在装入下一个最贵的，选择结果如下：
选择: 音响 + 笔，总价值 3000 + 200 = 3200
并不是最优解: 吉他 + 笔记本电脑, 总价值 1500 + 2000 = 3500
当然选择策略有时候并不是很固定，可能是如下：
(1)每次挑选价值最大的,并且最终重量不超出：
选择: 音响 + 笔，总价值 3000 + 200 = 3200
(2)每次挑选重量最大的,并且最终重量不超出(可能如果要求装入最大的重量才会优先考虑)：
选择: 音响 + 笔，总价值 3000 + 200 = 3200
(3)每次挑选单位价值最大的(价格/重量),并且最终重量不超出：
选择: 笔+ 显示器，总价值 200 + 2999 = 3199
如上最终的结果并不是最优解，在这个案例中贪婪算法并无法得出最优解，只能得到近似最优解,也算是该算法的局限性之一。该类问题中需要得到最优解的话可以采取动态规划算法(后续更新，也可以关注我的公众号第一时间获取更新信息)。
案例三
集合覆盖问题:
假设存在如下表的需要付费的广播台，以及广播台信号可以覆盖的地区。
如何选择最少的广播台，让所有的地区都可以接收到信号。
| 广播台 | 覆盖地区 |
|---|---|
| K1 | ID,NV,UT |
| K2 | WA,ID,MT |
| K3 | OR,NV,CA |
| K4 | NV,UT |
| K5 | CA,AZ |
| ... | ... |
image
如何找出覆盖所有地区的广播台的集合呢，听起来容易，实现起来很复杂，使用穷举法实现：
(1) 列出每个可能的广播台的集合，这被称为幂集。假设总的有n个广播台，则广播台的组合总共有2ⁿ个
(2) 在这些集合中，选出覆盖全部地区的最小的集合，假设n不在，但是当n非常大的时候，假设每秒可以计算10个子集
| 广播台数量n | 子集总数2ⁿ | 需要的时间 |
|---|---|---|
| 5 | 32 | 3.2秒 |
| 10 | 1024 | 102.4秒 |
| 32 | 4294967296 | 13.6年 |
| 100 | 1.26*100³º | 4x10²³年 |
目前并没有算法可以快速计算得到准备的值，
而使用贪婪算法，则可以得到非常接近的解，并且效率高:
选择策略上，因为需要覆盖全部地区的最小集合:
(1) 选出一个广播台，即它覆盖了最多未覆盖的地区即便包含一些已覆盖的地区也没关系
(2) 重复第一步直到覆盖了全部的地区
这是一种近似算法（approximation algorithm，贪婪算法的一种）。在获取到精确的最优解需要的时间太长时，便可以使用近似算法，判断近似算法的优劣标准如下:
- 速度有多快
- 得到的近似解与最优解的接近程度
在本例中贪婪算法是个不错的选择，不仅运行速度快，本例运行时间O(n²),最坏的情况，假设n个广播台，每个广播台就覆盖1个地区,n个地区，总计需要查询n*n=O(n²),实现可查看后面的java代码实现
| 广播台数量n | 子集总数2ⁿ | 穷举需要时间 | 贪婪算法 |
|---|---|---|---|
| 5 | 32 | 3.2秒 | 2.5秒 |
| 10 | 32 | 102.4秒 | 10秒 |
| 32 | 32 | 13.6年 | 102.4秒 |
| 100 | 32 | 4x10²³年 | 1000秒 |
此时算法选出的是K1, K2, K3, K5，符合覆盖了全部的地区，可能不是预期中的K2, K3,K4,K5(也许预期中的更便宜，更便于实施等等)
NP完全问题
案例四:
旅行商问题
假设有旅行商需要从下面三个城市的某一个城市出发，如何规划路线获取行程的最短路径。
image
存在3！(阶乘)=6种可能情况:
A->B->C
A->C->B
B->A->C
B->C->A
C->A->B
C->B->A
这边和之前求最短路径的算法(广度搜索、狄克斯特拉、贝尔曼-福特)，最大的差别是没有固定源点(起点),，每一个节点都可能是源点，并且需要经过每一个节点，所以若穷举法则不得不找出每一种可能并进行比较。
当城市数量为n,则可能性为n!，假设每秒处理判断一个路线
| 数量n | 总数n! | 穷举需要时间 |
|---|---|---|
| 5 | 120 | 120秒 |
| 10 | 32 | 42天 |
而使用贪婪算法，随机选择从一个城市出发，比如A，每次选择从最近的还没去过的城市出发,则可以得到近似最优解。
第一次比较n-1个城市
第二次比较n-2个城市
...
第n-1次比较1个城市
第n次不存在需要比较的了个
0+1+2+3+..+(n-1) ≈ O(n²/2)
| 数量n | 总数n! | 穷举需要时间 | 贪婪需要时间 |
|---|---|---|---|
| 5 | 120 | 120秒 | 12.5秒 |
| 10 | 32 | 42天 | 50秒 |
类似上述集合覆盖问题、旅行商问题，都属于NP完全问题，在数学领域上并没有快速得到最优解的方案，贪婪算法是最适合处理这类问题的了。
如何判断是NP完全问题的:
1.元素较少时，一般运行速度很快，但随着元素数量增多，速度会变得非常慢
2.涉及到需要计算比较"所有的组合"情况的通常是NP完全问题
3.无法分割成小问题，必须考虑各种可能的情况。这可能是NP完全问题
4.如果问题涉及序列（如旅行商问题中的城市序列）且难以解决，它可能就是NP完全问题
5.如果问题涉及集合（如广播台集合）且难以解决，它可能就是NP完全问题
6.如果问题可转换为集合覆盖问题或旅行商问题，那它肯定是NP完全问题
小结
1.贪婪算法可以寻找局部最优解，并尝试与这种方式获得全局最优解
2.得到的可能是近似最优解，但也可能便是最优解(区间调度问题，最短路径问题(广度优先、狄克斯特拉))
3.对于完全NP问题，目前并没有快速得到最优解的解决方案
4.面临NP完全问题，最佳的做法就是使用近似算法
5.贪婪算法(近似算法)在大部分情况下易于实现，并且效率不错
java实现
贪婪算法需要根据具体问题，选择对应的策略来实现，所以这边只取集合覆盖问题做个示例：
/**
* 贪婪算法 - 集合覆盖问题
* @author Administrator
*
*/
public class Greedy {
public static void main(String[] args){
//初始化广播台信息
HashMap<String,HashSet<String>> broadcasts = new HashMap<String,HashSet<String>>();
broadcasts.put("K1", new HashSet(Arrays.asList(new String[] {"ID","NV","UT"})));
broadcasts.put("K2", new HashSet(Arrays.asList(new String[] {"WA","ID","MT"})));
broadcasts.put("K3", new HashSet(Arrays.asList(new String[] {"OR","NV","CA"})));
broadcasts.put("K4", new HashSet(Arrays.asList(new String[] {"NV","UT"})));
broadcasts.put("K5", new HashSet(Arrays.asList(new String[] {"CA","AZ"})));
//需要覆盖的全部地区
HashSet<String> allAreas = new HashSet(Arrays.asList(new String[] {"ID","NV","UT","WA","MT","OR","CA","AZ"}));
//所选择的广播台列表
List<String> selects = new ArrayList<String>();
HashSet<String> tempSet = new HashSet<String>();
String maxKey = null;
while(allAreas.size()!=0) {
maxKey = null;
for(String key : broadcasts.keySet()) {
tempSet.clear();
HashSet<String> areas = broadcasts.get(key);
tempSet.addAll(areas);
//求出2个集合的交集，此时tempSet会被赋值为交集的内容，所以使用临时变量
tempSet.retainAll(allAreas);
//如果该集合包含的地区数量比原本的集合多
if (tempSet.size()>0 && (maxKey == null || tempSet.size() > broadcasts.get(maxKey).size())) {
maxKey = key;
}
}
if (maxKey != null) {
selects.add(maxKey);
allAreas.removeAll(broadcasts.get(maxKey));
}
}
System.out.print("selects:" + selects);
}
}
执行完main方法打印信息如下:
selects:[K1, K2, K3, K5]
公众号
有兴趣可以关注微信公众号，共同进步
image
网友评论