程序员算法基础——贪心算法

前言

贪心是人类自带的能力,贪心算法是在贪心决策上进行统筹规划的统称。

程序员算法基础——贪心算法

比如一道常见的算法笔试题----跳一跳:

  • 有n个盒子排成一行,每个盒子上面有一个数字a[i],表示最多能向右跳a[i]个盒子;
  • 小明站在左边第一个盒子,请问能否到达最右边的盒子?
  • 比如说:[1, 2, 3, 0, 4] 可以到达第5个盒子;
  • [3, 2, 1, 0, 4] 无法到达第5个盒子;

我们自然而然能产生一种解法:尽可能的往右跳,看最后是否能到达。

本文即是对这种贪心决策的介绍。

正文

贪心算法基础概念

狭义的贪心算法指的是解最优化问题的一种特殊方法,解决过程中总是做出当下最好的选择,因为具有最优子结构的特点,局部最优解可以得到全局最优解;这种贪心算法是动态规划的一种特例。能用贪心解决的问题,也可以用动态规划解决。

而广义的贪心指的是一种通用的贪心策略,基于当前局面而进行贪心决策。以跳一跳的题目为例:

  • 我们发现的题目的核心在于向右能到达的最远距离,我们用maxRight来表示;

此时有一种贪心的策略:从第1个盒子开始向右遍历,对于每个经过的盒子,不断更新maxRight的值。

贪心算法的思考过程

贪心的思考过程类似动态规划,依旧是两步:大事化小,小事化了。

大事化小:

一个较大的问题,通过找到与子问题的重叠,把复杂的问题划分为多个小问题;

小事化了:

从小问题找到决策的核心,确定一种得到最优解的策略,比如跳一跳中的向右能到达的最远距离;

在证明局部的最优解是否可以推出全局最优解的时候,常会用到数学的证明方式。

贪心算法的具体应用

1、纸币找零问题

有1元、2元、5元、10元的纸币分别有a[1], a[2], a[3], a[4]张,要用这些纸币凑出m元,至少要用多少张纸币?

如果是动态规划:

  • 要凑出m元,必须先凑出m-1、m-2、m-5、m-10元,我们用dp[i]表示凑出i元的最少纸币数;
  • 有 dp[i]=min(dp[i-1], dp[i-2], dp[i-5], dp[i-10]) + 1;
  • 容易知道dp[1]=dp[2]=dp[5]=dp[10]=1;

根据以上递推方程和初始化信息,可以容易推出dp[1~m]的所有值。

似乎有些不对?平时我们找零钱有这么复杂吗?

从贪心算法角度出发,当m>10且我们有10元纸币,我们优先使用10元纸币,然后再是5元、2元、1元纸币。

  • 从日常生活的经验知道,这么做是正确的,但是为什么?
  • 假如我们把题目变成这样,原来的策略还能生效吗?
  • 有1元、5元、7元的纸币分别有a[1], a[2], a[3]张,要用这些纸币凑出m元,至少要用多少张纸币?

接下来我们来分析这种策略:

  • 已知对于m元纸币,1,2,5元纸币使用了a,b,c张,我们有a+2b+5c=m;

假设存在一种情况,1、2、5元纸币使用数是x,y,z张,使用了更少的5元纸币(z

我们令k=5*(c-z),k元纸币需要floor(k/2)张2元纸币,k%2张1元纸币;(因为如果有2张1元纸币,可以使用1张2元纸币来替代,故而1元纸币只能是0张或者1张)

容易知道,减少(c-z)张5元纸币,需要增加floor(5*(c-z)/2)张2元纸币和(5*(c-z))%2张纸币,而这使得x+y+z必然大于a+b+c。

由此我们知道不可能存在使用更少5元纸币的更优解。

所以优先使用大额纸币是一种正确的贪心选择。

对于1、5、7元纸币,比如说要凑出10元,如果优先使用7元纸币,则张数是4;(1+1+1+7)

但如果只使用5元纸币,则张数是2;(5+5)

在这种情况下,优先使用大额纸币是不正确的贪心选择。(但用动态规划仍能得到最优解)

2、服务器任务安排问题

服务器有n个任务要执行,每个任务有开始时间Si秒和结束时间Ti秒,同一时间只能执行一个任务。

问如何安排任务,使得在时间m内尽可能多的完成任务。

如果是动态规划:

前i秒的完成的任务数,可以由前面1~i-1秒的任务完成数推过来。

  • 我们用dp[i]表示前i秒能完成的任务数;

在计算前i秒能完成的任务数时,对于第j个任务,我们有两种决策:

  1. 不执行这个任务,那么dp[i]没有变化;
  2. 执行这个任务,那么必须腾出来(Sj, Tj)这段时间,那么dp[i] = max(dp[i], dp[ S[j] ] ) + 1;

比如说对于任务j如果是第5秒开始第10秒结束,如果i>=10,那么有dp[i]=max(dp[i], dp[5] + 1);(相当于把第5秒到第i秒的时间分配给任务j)

再考虑贪心的策略,现实生活中人们是如何安排这种多任务的事情?我换一种描述方式:

  • 小明在学校兼职,小明一天兼职的时间有10个小时;
  • 现在有多个兼职岗位,每个岗位有个开始时间和结束时间,小明同一时间只能做一个兼职;

问小明每天最多能做几份兼职?

我们自然而然会想到一个策略:先把结束时间早的兼职给做了!

为什么?

因为先做完这个结束时间早的,能留出更多的时间做其他兼职。

我们天生具备了这种优化决策的能力。

3、分糖果问题

n个小朋友玩完游戏后,老师准备给他们发糖果;

每个人有一个分数a[i],如果比左右的人分数高,那么糖果也要比左右的多,并且每个小朋友至少有一颗。

问老师最少准备多少糖果。

这是一道LeetCode题目。

这个题目不能直接用动态规划去解,比如用dp[i]表示前i个人需要的最少糖果数。

因为(前i个人的最少糖果数)这种状态表示会收到第i+1个人的影响,如果a[i]>a[i+1],那么第i个人应该比第i+1个人多。

即是这种状态表示不具备无后效性。

如果是我们分配糖果,我们应该怎么分配?

答案是:从分数最低的开始。

按照分数排序,从最低开始分,每次判断是否比左右的分数高。

假设每个人分c[i]个糖果,那么对于第i个人有c[i]=max(c[i-1],c[c+1])+1; (c[i]默认为0,如果在计算i的时候,c[i-1]为0,表示i-1的分数比i高)

但是,这样解决的时间复杂度为O(NLogN),主要瓶颈是在排序。

如果提交,会得到Time Limit Exceeded的提示。

我们需要对贪心的策略进行优化:

  • 我们把左右两种情况分开看。

如果只考虑比左边的人分数高时,容易得到策略:

  • 从左到右遍历,如果a[i]>a[i-1],则有c[i]=c[i-1]+1;否则c[i]=1。

再考虑比右边的人分数高时,此时我们要从数组的最右边,向左开始遍历:

  • 如果a[i]>a[i+1], 则有c[i]=c[i+1]+1;否则c[i]不变;

这样讲过两次遍历,我们可以得到一个分配方案,并且时间复杂度是O(N)。

4、小船过河问题

n个人要过河,但是只有一艘船;船每次只能做两个人,每个人有一个单独坐船的过河时间a[i],如果两个人(x和y)一起坐船,那过河时间为a[x]和a[y]的较大值。

问最短需要多少时间,才能把所有人送过河。

题目给出关键信息:1、两个人过河,耗时为较长的时间;

还有隐藏的信息:2、两个人过河后,需要有一个人把船开回去;

要保证总时间尽可能小,这里有两个关键原则:应该使得两个人时间差尽可能小(减少浪费),同时船回去的时间也尽可能小(减少等待)。

先不考虑空船回来的情况,如果有无限多的船,那么应该怎么分配?

答案:每次从剩下的人选择耗时最长的人,再选择与他耗时最接近的人。

再考虑只有一条船的情况,假设有A/B/C三个人,并且耗时A

那么最快的方案是:A+B去, A回;A+C去;总耗时是A+B+C。(因为A是最快的,让其他人来回时间只会更长,减少等待的原则)

如果有A/B/C/D四个人,且耗时A

  • 最快的来回送人方式,A+B去;A回;A+C去,A回;A+D去; 总耗时是B+C+D+2A (减少等待原则)
  • 最快和次快一起送人方式,A+B先去,A回;C+D去,B回;A+B去;总耗时是 3B+D+A (减少浪费原则)

对比方案1、2的选择,我们发现差别仅在A+C和2B;

为何方案1、2差别里没有D?

因为D最终一定要过河,且耗时一定为D。

如果有A/B/C/D/E 5个人,且耗时A

仍是从最慢的E看。(参考我们无限多船的情况)

  • 方案1,减少等待;先送E过去,然后接着考虑四个人的情况;
  • 方案2,减少浪费;先送E/D过去,然后接着考虑A/B/C三个人的情况;(4人的时候的方案2)

到5个人的时候,我们已经明显发了一个特点:问题是重复,且可以由子问题去解决。

根据5个人的情况,我们可以推出状态转移方程dp[i] = min(dp[i - 1] + a[i] + a[1], dp[i - 2] + a[2] + a[1] + a[i] + a[2]);

再根据我们考虑的1、2、3、4个人的情况,我们分别可以算出dp[i]的初始化值:

dp[1] = a[1];  




dp[2] = a[2];  




dp[3] = a[2]+a[1]+a[3];  



dp[4] = min(dp[3] + a[4] + a[1], dp[2]+a[2]+a[1]+a[4]+a[2]); 

由上述的状态转移方程和初始化值,我们可以推出dp[n]的值。

这是一道贪心和动态规划的结合题目,动态规划的决策过程中用到了贪心的策略。

总结

贪心的学习过程,就是对自己的思考进行优化。

相关推荐