基于C++实现的贪心算法源码.zip

# GreedyAlgo # 小白算法带你学--贪心算法GreedyAlgo，欢迎关注公众号：小白算法 贪心算法（Greedy Algorithm) 简介 贪心算法，又名贪婪法，是寻找最优解问题的常用方法，这种方法模式一般将求解过程分成若干个步骤，但每个步骤都应用贪心原则，选取当前状态下最好/最优的选择（局部最有利的选择），并以此希望最后堆叠出的结果也是最好/最优的解。{看着这个名字，贪心，贪婪这两字的内在含义最为关键。这就好像一个贪婪的人，他事事都想要眼前看到最好的那个，看不到长远的东西，也不为最终的结果和将来着想，贪图眼前局部的利益最大化，有点走一步看一步的感觉。} 贪婪法的基本步骤： 步骤1：从某个初始解出发； 步骤2：采用迭代的过程，当可以向目标前进一步时，就根据局部最优策略，得到一部分解，缩小问题规模； 步骤3：将所有解综合起来。 事例一：找零钱问题 假设你开了间小店，不能电子支付，钱柜里的货币只有 25 分、10 分、5 分和 1 分四种硬币，如果你是售货员且要找给客户 41 分钱的硬币，如何安排才能找给客人的钱既正确且硬币的个数又最少？ 这里需要明确的几个点： 1.货币只有 25 分、10 分、5 分和 1 分四种硬币； 2.找给客户 41 分钱的硬币； 3.硬币最少化 思考，能使用我们今天学到的贪婪算法吗？怎么做？ （回顾一下上文贪婪法的基本步骤，1，2，3） 1.找给顾客sum_money=41分钱，可选择的是25 分、10 分、5 分和 1 分四种硬币。能找25分的，不找10分的原则，初次先找给顾客25分； 2.还差顾客sum_money=41-25=16。然后从25 分、10 分、5 分和 1 分四种硬币选取局部最优的给顾客，也就是选10分的，此时sum_money=16-10=6。重复迭代过程，还需要sum_money=6-5=1,sum_money=1-1=0。至此，顾客收到零钱，交易结束； 3.此时41分，分成了1个25，1个10，1个5，1个1，共四枚硬币。 编程实现 #include<iostream> using namespace std; #define ONEFEN 1 #define FIVEFEN 5 #define TENFEN 10 #define TWENTYFINEFEN 25 int main() { int sum_money=41; int num_25=0,num_10=0,num_5=0,num_1=0; //不断尝试每一种硬币 while(money>=TWENTYFINEFEN) { num_25++; sum_money -=TWENTYFINEFEN; } while(money>=TENFEN) { num_10++; sum_money -=TENFEN; } while(money>=FIVEFEN) { num_5++; sum_money -=FIVEFEN; } while(money>=ONEFEN) { num_1++; sum_money -=ONEFEN; } //输出结果 cout<< "25分硬币数："<<num_25<<endl; cout<< "10分硬币数："<<num_10<<endl; cout<< "5分硬币数："<<num_5<<endl; cout<< "1分硬币数："<<num_1<<endl; return 0; } 事例二:背包最大价值问题 有一个背包，最多能承载重量为 C=150的物品，现在有7个物品（物品不能分割成任意大小），编号为 1~7，重量分别是 wi=[35,30,60,50,40,10,25]，价值分别是 pi=[10,40,30,50,35,40,30]，现在从这 7 个物品中选择一个或多个装入背包，要求在物品总重量不超过 C 的前提下，所装入的物品总价值最高。 这里需要明确的几个点： 1.每个物品都有重量和价值两个属性； 2.每个物品分被选中和不被选中两个状态（后面还有个问题，待讨论）； 3.可选物品列表已知，背包总的承重量一定。 所以，构建描述每个物品的数据体结构 OBJECT和背包问题定义为： //typedef是类型定义的意思 //定义待选物体的结构体类型 typedef struct tagObject { int weight; int price; int status; }OBJECT; //定义背包问题 typedef struct tagKnapsackProblem { vector<OBJECT>objs; int totalC; }KNAPSACK_PROBLEM; 这里采用定义结构体的形式，主要是可以减少代码的书写量,可以实现代码的复用性和可扩展性,简化，提高可读性。就是贪图简单方便，规避繁琐。 如下,实例化objects OBJECT objects[] = { { 35,10,0 },{ 30,40,0 },{ 60,30,0 },{ 50,50,0 }, { 40,35,0 },{ 10,40,0 },{ 25,30,0 } }; 思考：如何选，才使得装进背包的价值最大呢？ 策略1：价值主导选择，每次都选价值最高的物品放进背包； 策略2：重量主导选择，每次都选择重量最轻的物品放进背包； 策略3：价值密度主导选择，每次选择都选价值/重量最高的物品放进背包。 （贪心法则：求解过程分成若干个步骤，但每个步骤都应用贪心原则，选取当前状态下最好的或最优的选择（局部最有利的选择），并以此希望最后堆叠出的结果也是最好或最优的解） 策略1：价值主导选择，每次都选价值最高的物品放进背包 根据这个策略最终选择装入背包的物品编号依次是 4、2、6、5，此时包中物品总重量是 130，总价值是 165。 //遍历没有被选的objs,并且选择price最大的物品,返回被选物品的编号 int Choosefunc1(std::vector<OBJECT>& objs, int c) { int index = -1; //-1表示背包容量已满 int max_price = 0; //在objs[i].status == 0的物品里，遍历挑选objs[i].price最大的物品 for (int i = 0; i < static_cast<int>(objs.size()); i++) { if ((objs[i].status == 0) && (objs[i].price > max_price ))//objs没有被选,并且price> max_price { max_price = objs[i].price; index = i; } } return index; } 策略2：重量主导选择，每次都选择重量最轻(小)的物品放进背包 根据这个策略最终选择装入背包的物品编号依次是 6、7、2、1、5，此时包中物品总重量是 140，总价值是 155。 int Choosefunc2(std::vector<OBJECT>& objs, int c) { int index = -1; int min_weight= 10000; for (int i = 0; i < static_cast<int>(objs.size()); i++) { if ((objs[i].status == 0) && (objs[i].weight < min_weight)) { min_weight= objs[i].weight; index = i; } } return index; } 策略3：价值密度主导选择，每次选择都选价值/重量最高(大)的物品放进背包 物品的价值密度 si 定义为 pi/wi，这 7 件物品的价值密度分别为 si=[0.286,1.333,0.5,1.0,0.875,4.0,1.2]。根据这个策略最终选择装入背包的物品编号依次是 6、2、7、4、1，此时包中物品的总重量是 150，总价值是 170。 int Choosefunc3(std::vector<OBJECT>& objs, int c) { int index = -1; double max_s = 0.0; for (int i = 0; i < static_cast<int>(objs.size()); i++) { if (objs[i].status == 0) { double si = objs[i].price; si = si / objs[i].weight; if (si > max_s) { max_s = si; index = i; } } } return index; } 有了物品，有了方法，下面就是将两者结合起来的贪心算法GreedyAlgo void GreedyAlgo(KNAPSACK_PROBLEM *problem, SELECT_POLICY spFunc) { int idx; int sum_weight_current = 0; //先选 while ((idx = spFunc(problem->objs, problem->totalC- sum_weight_current)) != -1) { //再检查，是否能装进去 if ((sum_weight_current + problem->objs[idx].weight) <= problem->totalC) { problem->objs[idx].status = 1;//如果背包没有装满，还可以再装,标记下装进去的物品状态为1 sum_weight_current += problem->objs[idx].weight;//把这个idx的物体的重量装进去，计算当前的重量 } else { //不能选这个物品了，做个标记2后重新选剩下的 problem->objs[idx].status = 2; } } PrintResult(problem->objs);//输出函数的定义，查看源代码 } 注意：这里对objs[idx].status定义了三种状态，分别是待选择为0（初始所有状态均为0），装进包�