当前位置：首页 > article >正文

五大基础算法——贪心算法

article 2025/3/17 23:55:21

贪心算法 是一种在每一步选择中都采取当前最优决策，希望通过局部最优解达到全局最优解的算法思想。它简单高效，但并非所有问题都适用。以下是贪心算法的核心概念、适用条件、经典问题及实现方法：

一、核心概念

局部最优解
- 在每一步选择中，贪心算法只考虑当前状态下的最优解，而不考虑后续步骤的影响。
无后效性
- 当前的选择不会影响后续选择的状态。
全局最优解
- 通过一系列局部最优解，最终希望得到全局最优解。

二、适用条件

贪心算法适用于满足以下条件的问题：

贪心选择性质
- 问题的全局最优解可以通过一系列局部最优解得到。
最优子结构
- 问题的最优解包含其子问题的最优解。
无后效性
- 当前的选择不会影响后续选择的状态。

三、经典问题与代码

1. 零钱兑换（硬币问题）

问题描述：给定不同面额的硬币和一个总金额，求最少需要多少枚硬币才能凑成总金额。

def coinChange(coins, amount):
    coins.sort(reverse=True)  # 从大到小排序
    count = 0
    for coin in coins:
        if amount == 0:
            break
        count += amount // coin
        amount %= coin
    return count if amount == 0 else -1

# 示例
coins = [1, 2, 5]
amount = 11
print(coinChange(coins, amount))  # 输出 3 (5+5+1)

2. 活动选择问题

问题描述：给定一组活动，每个活动有开始时间和结束时间，求最多能安排多少个互不冲突的活动。

def activitySelection(activities):
    activities.sort(key=lambda x: x[1])  # 按结束时间排序
    selected = []
    last_end = -1
    for start, end in activities:
        if start >= last_end:
            selected.append((start, end))
            last_end = end
    return selected

# 示例
activities = [(1, 4), (3, 5), (0, 6), (5, 7), (8, 9)]
print(activitySelection(activities))  # 输出 [(1, 4), (5, 7), (8, 9)]

3. 最小生成树（Kruskal算法）

问题描述：给定一个带权无向图，求其最小生成树。

def kruskal(graph):
    edges = sorted(graph['edges'], key=lambda x: x[2])  # 按权重排序
    parent = {node: node for node in graph['nodes']}
    result = []
    
    def find(u):
        while parent[u] != u:
            parent[u] = parent[parent[u]]  # 路径压缩
            u = parent[u]
        return u
    
    for u, v, w in edges:
        if find(u) != find(v):
            result.append((u, v, w))
            parent[find(u)] = find(v)
    return result

# 示例
graph = {
    'nodes': ['A', 'B', 'C', 'D'],
    'edges': [('A', 'B', 1), ('B', 'C', 2), ('C', 'D', 3), ('A', 'D', 4)]
}
print(kruskal(graph))  # 输出 [('A', 'B', 1), ('B', 'C', 2), ('C', 'D', 3)]