贪心算法简介( 二 )

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
GreedyAlgovoid 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1sum_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),装进包里变为1,判断不符合变为2,这样最后只需要拿去状态为1的即可 。主函数部分
OBJECT objects[] = { { 35,10,0 },{ 30,40,0 },{ 60,30,0 },{ 50,50,0 },{ 40,35,0 },{ 10,40,0 },{ 25,30,0 } };int main(){KNAPSACK_PROBLEM problem;problem.objs.assign(objects, objects + 7);//assign赋值,std::vector::assignproblem.totalC = 150;cout << "Start to find the best way ,NOW" << endl;GreedyAlgo(&problem, Choosefunc3);system("pause");return 0;}查看策略3的输出结果:

贪心算法简介

文章插图
 
但是,我们再回顾一下第一个事例问题现在问题变了,还是需要找给顾客41分钱,现在的货币只有 25 分、20分、10 分、5 分和 1 分四种硬币;该怎么办?按照贪心算法的三个步骤:1.41分,局部最优化原则,先找给顾客25分;2.此时,41-25=16分,还需要找给顾客10分,然后5分,然后1分;3.最终,找给顾客一个25分,一个10分,一个5分,一个1分,共四枚硬币 。是不是觉得哪里不太对,如果给他2个20分,加一个1分,三枚硬币就可以了呢?_;总结:贪心算法的优缺点优点:简单,高效,省去了为了找最优解可能需要穷举操作,通常作为其它算法的辅助算法来使用;缺点:不从总体上考虑其它可能情况,每次选取局部最优解,不再进行回溯处理,所以很少情况下得到最优解 。

【贪心算法简介】


推荐阅读