贪心算法和动态规划

?

目录

一、简介

二、贪心算法案例：活动选择问题

1.原理介绍

三、动态规划案例：背包问题

1.原理介绍

四、贪心算法与动态规划的区别

五、总结

---

作者其他文章链接

正则表达式-CSDN博客

深入理解HashMap：Java中的键值对存储利器-CSDN博客

?

一、简介

贪心算法和动态规划是两种非常强大的算法设计策略，它们在许多复杂问题中都展现出了出色的性能。在计算机科学中，它们被广泛应用于解决优化问题，如资源分配、路径寻找等。在这篇博客中，我们将通过具体的Java案例来探讨这两种算法的设计和应用，并详细比较它们的区别。

?

二、贪心算法案例：活动选择问题

1.原理介绍

贪心算法是一种通过每一步的最优选择，希望得到全局最优解的算法。它通常基于当前状态和局部信息做出决策，而没有对问题进行全面的扫描和分解。贪心算法的关键在于在每一步选择中，都选取当前状态下最好或最优（即最有利）的选择，从而希望通过每个局部最优的选择，能够导致全局最优解。

活动选择问题是一种常见的贪心算法应用场景，它要求从一系列活动中选择出最大数量的活动，以便在给定时间内完成。贪心算法的策略是每次选择当前最优的活动，希望通过每个局部最优的选择，能够达到全局最优解

public class ActivitySelection {  
    public static int selectActivities(int[] activityLengths, int[] activityStartTimes) {  
        int n = activityLengths.length;  
        int[] dp = new int[n];  
        int maxActivities = 0;  
        for (int i = 0; i < n; i++) {  
            int start = activityStartTimes[i];  
            int end = start + activityLengths[i];  
            for (int j = 0; j < i; j++) {  
                if (activityStartTimes[j] <= start && end <= activityStartTimes[j] + activityLengths[j]) {  
                    dp[i] = 0; // conflict  
                    break;  
                } else if (activityStartTimes[j] > start && end > activityStartTimes[j] && dp[j] == 1) {  
                    dp[i] = 0; // conflict  
                    break;  
                } else if (activityStartTimes[j] <= start && end >= activityStartTimes[j] + activityLengths[j]) {  
                    dp[i] = 1; // OK  
                } else {  
                    dp[i] = 0; // conflict  
                }  
            }  
            if (dp[i] == 1) {  
                maxActivities++;  
            }  
        }  
        return maxActivities;  
    }  
}

?

三、动态规划案例：背包问题

1.原理介绍

动态规划是一种通过将问题分解为若干个子问题，并存储子问题的解，以便重复使用的方法。它特别适用于解决需要优化递归的问题，通过将问题分解为更小的部分，并利用这些子问题的解来构建最终的解决方案。动态规划的关键在于记忆化，它通过存储并重复使用之前子问题的解，从而避免重复计算，提高了算法的效率。

背包问题是动态规划的经典案例。我们有一个背包，有一定的承载重量，现在有一些物品，每个物品都有自己的重量和价值。我们希望在不超过背包承载重量的前提下，选择一些物品放入背包，使得背包中物品的总价值最大。我们可以将这个问题分解为几个子问题：对于给定的背包容量，我们能选择哪些物品？对于这些物品，我们应该选择哪些物品放入背包以获得最大的价值？

public class Knapsack {  
    public static int knapSack(int W, int wt[], int val[], int n) {  
        int i, w;  
        int K[][] = new int[n+1][W+1];  
   
        for (i = 0; i <= n; i++) {  
            for (w = 0; w <= W; w++) {  
                if (i==0 || w==0) {  
                    K[i][w] = 0;  
                } else if (wt[i-1] <= w) {  
                    K[i][w] = Math.max(val[i-1] + K[i-1][w-wt[i-1]],  K[i-1][w]);  
                } else {  
                    K[i][w] = K[i-1][w];  
                }  
            }  
        }  
   
        return K[n][W];  
    }  
}

四、贪心算法与动态规划的区别

1. 问题分解方式：贪心算法通常试图找到局部最优解，希望通过每个局部最优的选择，能够达到全局最优解。它通常没有对问题进行全面扫描和分解，而是基于当前状态和局部信息做出决策。而动态规划则是将问题分解为若干个子问题，并存储子问题的解，以便重复使用。它通过将问题分解为更小的部分，并利用这些子问题的解来构建最终的解决方案。
2. 记忆化：动态规划的一个重要特点是记忆化。它通过存储并重复使用之前子问题的解，从而避免重复计算，提高了算法的效率。而贪心算法则通常没有这种记忆功能，它只关注当前状态和局部最优解。
3. 全局优化：贪心算法通常只能保证局部最优，而无法保证全局最优。这是因为贪心算法在每一步都选择当前最优的选项，而不考虑这可能对全局产生的影响。而动态规划则通过解决子问题并整合答案，更有可能找到全局最优解。
4. 适用场景：贪心算法在某些特定类型的问题上表现出色，例如活动选择、硬币找零等问题。而动态规划则更适用于解决复杂优化问题，如背包问题、旅行商问题等。
5. 时间复杂度：在某些情况下，动态规划的时间复杂度可能高于贪心算法。这是因为动态规划需要解决和存储大量的子问题，而贪心算法则只需要考虑当前状态和局部信息。然而，对于一些特定问题，动态规划可能会提供更优的解决方案。

五、总结

贪心算法和动态规划是两种非常强大的算法设计策略，它们在许多复杂问题中都展现出了出色的性能。通过以上两个Java案例，我们可以看到它们在解决实际问题中的效果和优势。在选择使用贪心算法还是动态规划时，我们需要根据问题的性质、全局优化要求、计算资源等因素进行综合考虑。同时，深入理解这两种算法的工作原理和适用场景，将有助于我们在解决问题时选择合适的算法设计策略。

?

?