贪心算法几个经典例子？

一、贪心算法几个经典例子？

活动安排问题] 活动安排问题是可以用贪心算法有效求解的一个很好的例子。该问题要求高效地安排一系列争用某一公共资源的活动。贪心算法提供了一个简单、漂亮的方法使得尽可能多的活动能兼容地使用公共资源。

设有n个活动的集合e={1，2，…，n}，其中每个活动都要求使用同一资源，如演讲会场等，而在同一时间内只有一个活动能使用这一资源。每个活动i都有一个要求使用该资源的起始时间si和一个结束时间fi,且si< fi。如果选择了活动i，则它在半开时间区间[si，fi]内占用资源。若区间[si，fi]与区间[sj，fj]不相交，则称活动i与活动j是相容的。也就是说，当si≥fi或sj≥fj时，活动i与活动j相容。活动安排问题就是要在所给的活动集合中选出最大的相容活动子集合。

在下面所给出的解活动安排问题的贪心算法gpeedyselector中，各活动的起始时间和结束时间存储于数组s和f{中且按结束时间的非减序：．f1≤f2≤…≤fn排列。如果所给出的活动未按此序排列，我们可以用o(nlogn)的时间将它重排。 

二、dijkstra算法是贪心算法吗？

从某种角度上来说是，但这个贪心的步骤也是求最优解的过程。

三、不可贪心贪心则会迷失自我的例子？

一个僧人惊惶失措地从树林中跑过来，刚好碰到两个非常要好的朋友在林边散步。他们问僧人说：“你这样慌张是为了什么？”

　　僧人说：“太可怕了，我在树林中挖出了一堆黄金！”

　　两个人心里忍不住说：“这真是个大傻瓜！挖出了黄金，这么好的事他居然说太可怕了，真让人想不明白！”于是他们又问那个僧人道：“在哪里挖出来的？请告诉我们吧。”

　　僧人说：“这么厉害的东西，你们不怕吗？它会吃人的！”

　　那两个人不以为然地说：“我们不怕，你就告诉我们在什么地方能够找到它吧。”

　　僧人说：“就在树林最西边的那棵树下面。”

　　两个朋友就立刻去找那个地方，果然发现了那些金子。一个人就对另一个说：“那个僧人真是太愚蠢了，人人都渴望的黄金在他眼里居然成了吃人的东西。”另外一个人也点头称是。

　　他们于是讨论怎么把这些黄金拿回去。其中一个说：“白天把它拿回去不太安全，还是晚上拿回去好一些，我留在这里看着，你去拿一些饭菜来，我们就在这里吃饭，然后等天黑了再把黄金拿回去。”

　　另外一个人就照他说的去做了。留下的那个人心想：“要是把这些黄金都归我所有就好了！等他一回来，我就用木棒把他打死，这些黄金就全是我的了。”

　　回去拿饭菜的那个人也想：“我回去先吃饱饭，然后给他的饭里下毒药，他死了，黄金就全是我的了。”

　　结果等他拿了饭菜回到树林里时，另一个人就从背后狠狠地用木棒把他打死了，然后说道：“亲爱的朋友，是黄金逼我这么做的。”接着他拿起那个人送来的饭菜，大口地吃起来。没过多久，他感觉到很难受，肚子里像火烧一样，他才知道自己中毒了，临死的时候他说：“僧人说的话真是太对了！”

　　这真是应了古话：人为财死，鸟为食亡！都是贪念惹的祸，欲望把最亲密的朋友变成了死敌！

四、什么是贪心算法？

贪心算法

一种改进了的分级处理方法

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策划

贪婪算法

算法思路

贪心算法一般按如下步骤进行：

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对每个子问题求解，得到子问题的局部最优解。

④把子问题的解局部最优解合成原来解问题的一个解。

贪心算法是一种对某些求最优解问题的更简单、更迅速的设计技术。贪心算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪心算法采用自顶向下，以迭代的方法做出相继的贪心选择，每做一次贪心选择，就将所求问题简化为一个规模更小的子问题，通过每一步贪心选择，可得到问题的一个最优解。虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的，所以贪心算法不要回溯。

算法特性

贪心算法可解决的问题通常大部分都有如下的特性：

1、有一个以最优方式来解决的问题。为了构造问题的解决方案，有一个候选的对象的集合：比如不同面值的硬币。

2、随着算法的进行，将积累起其他两个集合：一个包含已经被考虑过并被选出的候选对象，另一个包含已经被考虑过但被丢弃的候选对象。

3、有一个函数来检查一个候选对象的集合是否提供了问题的解答。该函数不考虑此时的解决方法是否最优。

4、还有一个函数检查是否一个候选对象的集合是可行的，即是否可能往该集合上添加更多的候选对象以获得一个解。和上一个函数一样，此时不考虑解决方法的最优性。

5、选择函数可以指出哪一个剩余的候选对象最有希望构成问题的解。

6、最后，目标函数给出解的值。

使用条件

利用贪心法求解的问题应具备如下2个特征。

1、贪心选择性质

一个问题的整体最优解可通过一系列局部的最优解的选择达到，并且每次的选择可以依赖以前作出的选择，但不依赖于后面要作出的选择。这就是贪心选择性质。对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。

2、最优子结构性质

当一个问题的最优解

五、python 排序算法？

1、冒泡排序

它反复访问要排序的元素列，并依次比较两个相邻的元素。

2、选择排序

首次从待排序的数据元素中选择最小(或最大)的元素，存储在序列的开始位置。

3、插入排序

对于未排序的数据，通过构建有序的序列，在已排序的序列中从后向前扫描，找到相应的位置并插入。插入式排序在实现上。

4、快速排序

将要排序的数据通过一次排序分成两个独立的部分。

5、希尔排序(插入排序改进版)

将要排序的一组数量按某个增量d分为几个组，

6、归并排序，首先递归分解组，然后合并组。

基本思路是比较两个数组的面的数字，谁小就先取谁，取后相应的指针向后移动一个。然后再比较，直到一个数组是空的，最后复制另一个数组的剩余部分。

六、python算法作用？

可以做分类。通常是做文本分类。 在此基础上做邮件的垃圾邮件过滤。还有自动识别效果也不错。

这是一个常见的算法。而且用处挺多的。 在语言分析里常用。比如：我有一组文件，想自动分成不同的类别。 再比如我有一个文章，想根据内容，自动分锻落。再比如有很多新闻，可以自动按行业进行分类。

这个算法有自学习，也就是机器学习的扩展。所以可以让算法自动升级精度。开始50-70%，后来可以达到90%的分类精度

七、学习python灰狼算法-灰狼算法代码python实现

什么是灰狼算法？

灰狼算法（Grey Wolf Optimizer, GWO）是一种群智能优化算法，灵感来自灰狼群体的社会行为。它是一种新型的启发式优化算法，用于解决各种优化问题，如函数优化、神经网络训练、模式识别等。

灰狼算法的原理

灰狼算法模拟了灰狼社会中狼群的社会行为和等级结构。算法中包括模拟"alfa"、"beta"和"delta"三种等级的灰狼，并通过模拟狩猎行为来进行优化搜索。

灰狼算法的python实现

在Python中，可以通过编写灰狼算法的代码来实现灰狼算法的优化过程。下面是一个简单的灰狼算法优化的Python代码示例：

        
            

                from math import exp
                import random
                def grey_wolf_optimizer(obj_function, search_space, max_iterations, pop_size):
                    # 初始化灰狼群
                    alpha_pos, beta_pos, delta_pos = [0.0]*len(search_space), [0.0]*len(search_space), [0.0]*len(search_space)
                    alpha_score, beta_score, delta_score = float("inf"), float("inf"), float("inf")
                    positions = [[random.uniform(search_space[i][0], search_space[i][1]) for i in range(len(search_space))] for j in range(pop_size)]
                    for iteration in range(max_iterations):
                        # 更新每只灰狼的位置
                        for i in range(pop_size):
                            fitness = obj_function(positions[i])
                            if fitness < alpha_score:
                                alpha_score = fitness
                                alpha_pos = positions[i]
                            if fitness > alpha_score and fitness < beta_score:
                                beta_score = fitness
                                beta_pos = positions[i]
                            if fitness > alpha_score and fitness > beta_score and fitness < delta_score:
                                delta_score = fitness
                                delta_pos = positions[i]
                        a, A = 2 - 2 * (iteration / max_iterations), 2 * iteration / max_iterations
                        for i in range(pop_size):
                            for j in range(len(search_space)):
                                c1, c2 = random.random(), random.random()
                                Dalpha, Dbeta, Ddelta = abs(2 * a * random.random() - a), abs(2 * random.random() - 1), abs(2 * A * random.random() - A)
                                X1, X2, X3 = alpha_pos[j] - Dalpha * abs(c1 * alpha_pos[j] - positions[i][j]), beta_pos[j] - Dbeta * abs(c2 * beta_pos[j] - positions[i][j]), delta_pos[j] - Ddelta * abs(c1 * delta_pos[j] - positions[i][j])
                                positions[i][j] = (X1 + X2 + X3) / 3
                    return alpha_pos, alpha_score
            
        
    

总结

通过上面的Python示例，我们实现了简单的灰狼算法优化过程。希望对你学习灰狼算法和Python编程有所帮助！

感谢您阅读这篇文章，希望可以帮助你更好地理解灰狼算法的原理和Python实现。

八、贪心算法的应用领域？

1、贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。

2、贪心算法是很常见的算法，贪心策略是最接近人的日常思维的一种解题策略，虽然它不能保证求得的最后解一定是最佳的，但是它可以为某些问题确定一个可行性范围。贪心算法所做的选择依赖于以往所做过的选择，绝不依赖于将来的选择，这使得算法再编码和执行过程中都有一定的速度优势。对于一个问题的最优解只能用穷举法得到时，用贪心算法是寻找问题最优解的较好算法。对于一个问题可以使同时使用几种方法去解决，贪心算法并不是对所有的问题都能得到整体最优解或最理想的近似解时，就需要判断贪心性质的正确性了。与回溯法、动态规划法等比较，它的适用区域相对狭窄，总之如果一个贪心解决方案存在就可以使用它。

九、贪心算法的优点和缺点？

「贪心算法」顾名思义，就是说算法就像一个贪婪、鼠目寸光的人，在每次要做决策时，都做出当前看来最好的选择，最终所有选择形成一个解。

说它贪婪，是因为每次要做选择的时候，一定会选择现在看来是最优的选择；说它鼠目寸光，是因为每次做选择时，只考虑当前的局面而不考虑长远的利益。说到这儿，贪心算法的优点和缺点就不难看出了：

优点：做决策所需的计算复杂度较低。每次做决策的时候，都不用考虑长远的事情，拍脑袋就做出看起来最好的那个选择，自然不用算计很多呀。

缺点：最终得到的解不一定是最优解。这算法不懂得深谋远虑，自然可能走不到最好的结果啦。

十、python魔方还原算法？

一、底面十字函数：

solve_x_pro 寻找两个底面的棱块，放在顶面

solve_x_pro1 寻找第三个底面的棱块，放在顶面

solve_x_pro2 寻找第四个底面的棱块，放在顶面

solve_x 将顶面的四个棱块翻转下来，使得底面行程十字型

前面三个函数均采用暴力递归的方式，从魔方的12种旋转方法中一一枚举，直到满足条件，后面的 solve_x 根据公式进行魔方旋转即可。

二、底面归位函数

solve_down 判断底面角块在哪里，并调用 turn_down 函数进行相应的旋转操作

turn_down 存储旋转需要用到的公式，并根据条件进行相应的旋转魔方

三、中层归位函数

turn_second 完成中间层时的旋转函数，记录着底面旋转方法，由 solve_2 和solve_3 函数调用来旋转完成底面

solve_3 由顶层的棱块向中间层旋转时使用

solve_2 中间层的棱块，与正确的颜色棱块恰好相反时调用

四、顶面归位函数

solve_ding_x 旋转顶层出现黄色十字的函数

solve_ding 完成顶面全部是黄色的函数，此时侧面尚归位

solve_ding_jiao 完成顶部四个角块归位的函数

五、顶层棱块归位函数

solve_all 完成魔方上层最后三个棱块或四个棱块归位的函数