算法学习笔记之贪心算法

导引(硕鼠的交易)

硕鼠准备了M磅猫粮与看守仓库的猫交易奶酪。

仓库有N个房间,第i个房间有 J[i] 磅奶酪并需要 F[i] 磅猫粮交换,硕鼠可以按比例来交换,不必交换所有的奶酪

计算硕鼠最多能得到多少磅奶酪。

输入M和N表示猫粮数量和房间数量,随后输入N个房间,每个房间包括奶酪数和猫粮数

Input

 5 37 24 35 2-1 -1

Output

 13.333

解法:计算每个房间的奶酪与猫粮之比,比值越大硕鼠收益越高,将所有比值从大到小排序,最后选择比值大的即可。

例1(田忌赛马)

问题描述:田忌与齐王赛马,每匹马的速度不同。

目标:赢得最多的比赛。

策略:利用田忌的最弱的马去对齐王的最强的马,反之亦然。

不要固定认为是将田忌第一强的马与齐王第二强的马进行比较,因为可能田忌第一强的马比齐王第一强的马更强

经典贪心(事件序列问题)

命题:至少存在一个最长的事件序列,包含最早结束的事件

采用反证法证明:假设有一个最长的事件序列bcdef,不包含最早结束的事件a,显然a在b之前结束,那么事件序列acdef依旧是最短事件序列。

显然,选中最早结束的事件对最长的事件序列无影响。

那么,我们可以选中最早结束的事件0,然后再选中发生时刻大于等于3,且结束时刻最小的事件;

继续选中事件1,然后再选中发生时刻大于等于4,且结束时刻最小的事件;

继续选中事件5,然后再选中发生时刻大于等于10,且结束时刻最小的事件;

继续选中事件8,然后再选中发生时刻大于等于15,且结束时刻最小的事件;

继续选中事件10,然后发现没有可选事件了,最长事件序列为0,1,5,8,10

贪心思路:先把所有事件按结束时刻从大到小排序,随后每次选择一个最早结束且和之前不冲突的事件

例2(搬桌子)

一层楼的布局如上,现在需要将一些桌子从一个房间搬到另一个房间。无论距离远近,每趟搬运都需要十分钟。

当你从房间 i 搬桌子到房间 j 时,房间 i 到房间 j 的走廊被占用,也就是同一时间的走廊是互斥的。

现在需要计算完成所有搬运任务最少需要多长时间。

输出包含T组用例。首先输入一个正整数N,表示需要搬运的桌子数,接下来N行,每行包含2个正整数a和b,表示需要将桌子从a房间搬到b房间

输出为每组用例搬运任务需要的最少时间。

思路:记录每段区间的走廊被占用的次数,重合的次数就是需要搬运的次数

 #include<iostream>​using namespace std;​int t, i, j, N, P[200]; int s, d, temp, k, MAX;​int main(){cin >> t;for(i = 0; i < t; i++){// 初始化 for(j = 0; j < 200; j++){P[j] = 0;}cin >> N;for(j = 0; j < N; j++){cin >> s >> d;s = (s-1)/2;d = (d-1)/2;if(s > d){swap(s, d);}for(k = s; k <= d; k++){P[k]++;}}MAX = -1;for(j = 0; j < 200; j++){MAX = max(MAX, P[j]);}cout << MAX*10 << endl;}return 0;}

例3(删数问题)

思路:显然高位越小越好。每次比较相邻两数,若左边比右边大则删去左边的数,否则继续比较后面的数。

例4(青蛙的邻居)

输入t组样例,每组样例先输入n个湖泊,每个青蛙呆在不同湖泊里面,然后输入n青蛙的邻居个数,问能否根据这些数据构成一个图。

问题本质:可图性判断

1、度序列:若把图G所有顶点的度数排成一个序列S,则称S为图G的度序列。

2、序列是可图的:一个非负整数组成的有限序列如果是某个无向图的度序列,则称该序列是可图的。

算法:Havel-Hakimi定理

由非负整数组成的非增序列S:d1 , d2, ... dn(n >= 2, d1 >= 1)是可图的,当且仅当序列S1:d2-1, d3-1, ..., dd1+1-1, dd1+2, ... ,dn是可图的。

其中,序列S1中有n-1个非负整数,S序列中d1后的前d1个度数(即d2 ~ dd1+1)减 1 后构成S1中的前d1个数。

通俗理解

假设有一群人的邻居数为递增序列 5 4 4 3 2 1 1,若该序列成立,则第一个人有5个邻居,假设第一个人的五个邻居分别是2,3,4,5,6

当第一个人搬走了,剩下的人邻居个数为 3 3 2 1 0 1;排序后为为3 3 2 1 1 0

当第二个人搬走了,剩下的人邻居个数为 2 1 0 1 0;排序后为为2 1 1 0 0

当第三个人搬走了,剩下的人邻居个数为 0 0 0 0,此时该序列成立。

特别说明:若要用贪心算法求解某问题的整体最优解,必须首先证明贪心思想在该问题的应用结果就是最优解!!

sort函数的使用

头文件

 #include<algorithm>

函数用法

sort(首地址,尾地址+1,cmp函数);

当不传入cmp函数时,默认递增

例:

 struct node{int a;double b;}arr[100];// 要求先按a升序,若a相等则按b降序bool cmp(node x, node y){if(x.a != y.a){return x.a < y.a;}return x.b > y.b;}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/16304.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

oracle执行grant授权sql被阻塞问题处理

一 问题描述 执行普通的grant授权sql(grant select,update on 表名 to 用户名)好几分钟都没反应&#xff0c;跟被阻塞了似的。 二 问题排查 #排查是否有阻塞 用OEM可以看到阻塞信息&#xff1a; 点‘性能’-‘阻塞会话’&#xff1a; 下面那个会话2958是我执行grant sql的…

SSM仓库物品管理系统 附带详细运行指导视频

文章目录 一、项目演示二、项目介绍三、运行截图四、主要代码1.用户登录代码&#xff1a;2.保存物品信息代码&#xff1a;3.删除仓库信息代码&#xff1a; 一、项目演示 项目演示地址&#xff1a; 视频地址 二、项目介绍 项目描述&#xff1a;这是一个基于SSM框架开发的仓库…

Deepseek 接入Word处理对话框(隐藏密钥)

硅基流动邀请码&#xff1a;1zNe93Cp 邀请链接&#xff1a;网页链接 亲测deepseek接入word&#xff0c;自由调用对话&#xff0c;看截图有兴趣的复用代码&#xff08;当然也可以自己向deepseek提问&#xff0c;帮助你完成接入&#xff0c;但是提问逻辑不一样给出的答案是千差万…

Docker Compose介绍及安装使用MongoDB数据库详解

在现代容器化应用部署中&#xff0c;Docker Compose是一种非常实用的工具&#xff0c;它允许我们通过一个docker-compose.yml文件来定义和运行多容器应用程序。然而&#xff0c;除了Docker之外&#xff0c;Podman也提供了类似的工具——Podman Compose&#xff0c;它允许我们在…

IntelliJ IDEA Console控制台输出成json的配置方式

【IntelliJ IDEA Console控制台输出成json的配置方式】 1.帮助->查找操作 2.搜索注册表 3.ctrlf 搜索pty 控制台右键 结果

基础入门-HTTP数据包红蓝队研判自定义构造请求方法请求头修改状态码判断

知识点&#xff1a; 1、请求头&返回包-方法&头修改&状态码等 2、数据包分析-红队攻击工具&蓝队流量研判 3、数据包构造-Reqable自定义添加修改请求 一、演示案例-请求头&返回包-方法&头修改&状态码等 数据包 客户端请求Request 请求方法 …

react redux用法学习

参考资料&#xff1a; https://www.bilibili.com/video/BV1ZB4y1Z7o8 https://cn.redux.js.org/tutorials/essentials/part-5-async-logic AI工具&#xff1a;deepseek&#xff0c;通义灵码 第一天 安装相关依赖&#xff1a; 使用redux的中间件&#xff1a; npm i react-redu…

机器学习 - 线性回归(最大后验估计)

最大似然估计的一个缺点是当训练数据比较少时会发生过拟合&#xff0c;估计的参数可能不准确.为了避免过拟合&#xff0c;我们可以给参数加上一些先验知识. 一、先从最大似然估计的一个缺点入手 最大似然估计&#xff08;MLE&#xff09;在处理小样本数据时&#xff0c;容易发…

2025.2.8——二、Confusion1 SSTI模板注入|Jinja2模板

题目来源&#xff1a;攻防世界 Confusion1 目录 一、打开靶机&#xff0c;整理信息 二、解题思路 step 1&#xff1a;查看网页源码信息 step 2&#xff1a;模板注入 step 3&#xff1a;构造payload&#xff0c;验证漏洞 step 4&#xff1a;已确认为SSTI漏洞中的Jinjia2…

Moretl 增量文件采集工具

永久免费: <下载> <使用说明> 用途 定时全量或增量采集工控机,电脑文件或日志. 优势 开箱即用: 解压直接运行.不需额外下载.管理设备: 后台统一管理客户端.无人值守: 客户端自启动,自更新.稳定安全: 架构简单,兼容性好,通过授权控制访问. 架构 技术架构: Asp…

基于STM32的ADS1230驱动例程

自己在练手项目中用到了ADS1230&#xff0c;根据芯片手册自写的驱动代码&#xff0c;已测可用&#xff0c;希望对将要用到ADS1230芯片的人有所帮助。 芯片&#xff1a;STM32系列任意芯片、ADS1230 环境&#xff1a;使用STM32CubeMX配置引脚、KEIL 部分电路&#xff1a; 代码…

HarmonyOS 5.0应用开发——NodeContainer自定义占位节点

【高心星出品】 文章目录 NodeContainer自定义占位节点案例开发步骤全部代码 NodeContainer自定义占位节点 NodeContainer是用来占位的系统组件&#xff0c;主要用于自定义节点以及自定义节点树的显示&#xff0c;支持组件的通用属性&#xff0c;对通用属性的处理请参考默认左…

26~31.ppt

目录 26.北京主要的景点 题目 解析 27.创新产品展示及说明会 题目​ 解析 28.《小企业会计准则》 题目​ 解析 29.学习型社会的学习理念 题目​ 解析 30.小王-产品展示信息 题目​ 解析 31.小王-办公理念-信息工作者的每一天 题目​ 解析 26.北京主要的景点…

单张照片可生成写实3D头部模型!Adobe提出FaceLift,从单一的人脸图像中重建出360度的头部模型。

FaceLift是Adobe和加州大学默塞德分校推出的单图像到3D头部模型的转换技术,能从单一的人脸图像中重建出360度的头部模型。FaceLift基于两阶段的流程实现:基于扩散的多视图生成模型从单张人脸图像生成一致的侧面和背面视图;生成的视图被输入到GS-LRM重建器中,产出详细的3D高斯表…

在Uniapp中使用阿里云OSS插件实现文件上传

在开发小程序时&#xff0c;文件上传是一个常见的需求。阿里云OSS&#xff08;Object Storage Service&#xff09;是一个强大的云存储服务&#xff0c;可以帮助我们高效地存储和管理文件。本文将介绍如何在Uniapp小程序中使用阿里云OSS插件实现文件上传功能。 1. 准备工作 首…

Tomcat添加到Windows系统服务中,服务名称带空格

要将Tomcat添加到Windows系统服务中&#xff0c;可以通过Tomcat安装目录中“\bin\service.bat”来完成&#xff0c;如果目录中没有service.bat&#xff0c;则需要使用其它方法。 打到CMD命令行窗口&#xff0c;通过cd命令跳转到Tomcat安装目录的“\bin\”目录&#xff0c;然后执…

Android Studio集成讯飞SDK过程中在配置Project的时候有感

在配置讯飞的语音识别SDK&#xff08;流式版&#xff09;时候&#xff0c;跟着写了两个Demo&#xff0c;一个是YuYinTestDemo01&#xff0c;另一个是02&#xff0c;demo01比较简单&#xff0c;实现功能图象也比较简陋&#xff0c;没用讯飞SDK提供的图片&#xff0c;也就是没用到…

DeepSeek 助力 Vue 开发:打造丝滑的进度条

前言&#xff1a;哈喽&#xff0c;大家好&#xff0c;今天给大家分享一篇文章&#xff01;并提供具体代码帮助大家深入理解&#xff0c;彻底掌握&#xff01;创作不易&#xff0c;如果能帮助到大家或者给大家一些灵感和启发&#xff0c;欢迎收藏关注哦 &#x1f495; 目录 Deep…

NLP Word Embeddings

Word representation One-hot形式 在上一周介绍RNN类模型时&#xff0c;使用了One-hot向量来表示单词的方式。它的缺点是将每个单词视为独立的&#xff0c;算法很难学习到单词之间的关系。 比如下面的例子&#xff0c;即使语言模型已经知道orange juice是常用组合词&#xf…

CNN卷积神经网络多变量多步预测,光伏功率预测(Matlab完整源码和数据)

代码地址&#xff1a;CNN卷积神经网络多变量多步预测&#xff0c;光伏功率预测&#xff08;Matlab完整源码和数据) 标题&#xff1a;CNN卷积神经网络多变量多步预测&#xff0c;光伏功率预测 一、引言 1.1 研究背景及意义 随着全球能源危机的加剧和环保意识的提升&#xff…