【第一章:人工智能基础】03.算法分析与设计-(4)贪心算法（Greedy Algorithm）

第一章 人工智能基础

第三部分：算法分析与设计

第四节：贪心算法

内容：贪心选择性质，常见贪心算法（如活动选择问题、最小生成树）的分析。

一、贪心算法的定义

贪心算法是一种在每一步选择中都采取当前状态下最优解（即最有利）的策略，从而希望通过局部最优达到全局最优。

二、贪心算法的两个核心性质

1. 贪心选择性质
   —— 全局最优解可以通过一系列局部最优选择构成。

2. 最优子结构性质
   —— 问题的最优解包含其子问题的最优解。

并非所有问题都适合用贪心算法求解，通常需先证明这两个性质是否成立。

三、常见贪心算法实例

1. 活动选择问题（Activity Selection Problem）

问题描述：
给定 n 个活动，每个活动有起始时间 start[i] 和结束时间 end[i]，要求在时间上互不重叠的前提下，选择最多数量的活动。

贪心策略：
按照结束时间从早到晚排序，每次选择第一个结束时间最早且与当前已选活动不冲突的活动。

示例代码：

def activity_selection(activities):
    # activities: [(start, end), ...]
    activities.sort(key=lambda x: x[1])  # 按结束时间排序
    selected = [activities[0]]
    last_end = activities[0][1]
    for act in activities[1:]:
        if act[0] >= last_end:
            selected.append(act)
            last_end = act[1]
    return selected

2. 最小生成树（Minimum Spanning Tree，MST）

构建一棵连接图中所有节点、边权和最小的树。经典贪心算法：

• Prim算法：每次选择连接“已选顶点”与“未选顶点”之间的最小边。

• Kruskal算法：将边按权值升序排序，逐条加入图中，若不构成环则保留。

Kruskal 示例代码：

def kruskal(n, edges):
    parent = list(range(n))

    def find(u):
        while u != parent[u]:
            parent[u] = parent[parent[u]]
            u = parent[u]
        return u

    mst = []
    edges.sort(key=lambda x: x[2])  # edges: (u, v, weight)
    for u, v, w in edges:
        ru, rv = find(u), find(v)
        if ru != rv:
            parent[ru] = rv
            mst.append((u, v, w))
    return mst

四、贪心算法的适用场景

适合满足以下条件的问题：

• 子问题结构相互独立

• 总体最优包含局部最优

• 每一步的最优选择不影响后续结果最优性

典型应用包括：

• 区间调度

• Huffman编码

• 零钱找零（在某些币值组合中不适用）

• 网络连通优化（最小生成树）

总结