贪心算法

贪心算法框架

贪心算法（greedy algorithm）是一个容易想象但难以证明的算法，算法框架包括：

可选对象集合S，S是全集；
已选对象集合T；
判断解是否合法的函数isValid(T)；
评价解的函数payoff(T)；

目标：从S中选出T，使isValid(T)为True，同时，满足payoff(T)最大；
做法：从空集开始，每次增加一个元素使当前payoff最大
最后求解完成需要验证是不是全局最优

贪心算法与动态规划的比较

贪心算法不一定得到全局最优解，动态规划是全局最优的，两者的递推公式也有差别；
动态规划：
opt(x)=max{opt(y)+payoff(y,x)}opt(x)=max\left \{ opt(y)+payoff(y,x) \right \}opt(x)=max{opt(y)+payoff(y,x)}
$y$是能到达$x$的所有可能状态，$payoff(y,x)$是状态$y$到状态$x$的收益；
贪心算法：
opt(x)=opt(y)+max{payoff(y,x)}opt(x)=opt(y)+max\left \{ payoff(y,x) \right \}opt(x)=opt(y)+max{payoff(y,x)}
在一定程度上反映了一个现象，动态规划和贪心算法都是逐步优化，但动态规划可以求出当前所有状态的最优解；而贪心算法针对的是当前可选状态的最优解，再简单与上一步最优解相加，个人认为这使贪心算法的定位属于局部最优；
贪心算法应该属于动态规划的升级，在max计算上看出少了很多其他可能状态，因此效率更高，但其要求也就相应上升，所以只有当贪心的策略选择合适才能获得和DP一样的全局最优解；

贪心算法的应用

凑零钱问题
假设现在要用{1,2,5}三种面值的硬币凑$n$分钱，同时使硬币数量最少，如果按照贪心算法的思想，则应该先用5分硬币凑钱，再用2分硬币，最后使用1分硬币；这里似乎可以得到全局最优；
但注意，并不是这样的问题都可以用贪心得到全局最优，如果面值改成{1,2,5,7}，现在就要凑10分钱，显然用2个5分硬币就是全局最优了，但贪心会需要3个硬币：1分，2分，7分各一个硬币；显然这不是全局最优
活动安排
现在有很多活动，第$i$个活动的开始时间和结束时间是$[s_i,f_i]$，而目前只有一个教室，活动时间不能相交，如何安排可以让这一天内的活动数量最多；
假如现在就制定了一个贪心的策略：按照活动结束时间排序，找出所有不冲突的活动，安排这些活动即可；
实现上很好理解，但要证明它可以做到全局最优是很困难的；
如果选择其他贪心策略：
1.按照活动结束时间排序，找出所有不冲突的活动；
2.按照活动时长排序，安排时长短且不冲突的活动；
这两个策略均可以找到反例，证明不是全局最优；因此，贪心算法不一定可以得到全局最优，同一个问题，能否得到全局最优解，关键取决于贪心策略的选择；
0->1背包问题
注意这个问题不是"整数0/1背包问题"，而是：一个背包容量有限，现在有很多物品，每种物品有自己的价值和重量，每个物品可以拿走任意比例部分，价值也按照拿走的比例计算，如何选取物品使得背包可以承受且价值最大？
同样，这可以用贪心算法解决，并且得到全局最优解，分析如下：
由于物品可以划分比例，现在就先用每个物品的价格除以其质量，得到一个价值重量比，从价值重量比最高的物品开始一份一份地拿，容易想象，每次拿到的都是剩余集合中$payoff$最高的对象