第一天——贪心算法——分饼干

一、算法介绍

顾名思义,贪心算法或贪心思想采用贪心的策略,保证每次操作都是局部最优的从而使最后得到的结果是全局最优的。

举一个最简单的例子:小明和小王喜欢吃苹果,小明可以吃五个,小王可以吃三个。已知苹果园里有吃不完的苹果,求小明和小王一共最多吃多少个苹果。在这个例子中,我们可以选用的贪心策略为,每个人吃自己能吃的最多数量的苹果,这在每个人身上都是局部最优的。又因为全局结果是局部结果的简单求和,且局部结果互不相干,因此局部最优的策略同样是全局最优的

证明一道题能用贪心算法解决,有时远比用贪心算法解决该题更复杂。一般情况下,在简单操作后,具有明显的从局部到整体的递推关系,或者可以通过数学归纳法推测结果时,我们才会使用贪心算法。

二、题目描述

有一群孩子和一堆饼干,每个孩子有一个饥饿度,每个饼干都有一个饱腹度。每个孩子只能吃一个饼干,且只有饼干的饱腹度不小于孩子的饥饿度时,这个孩子才能吃饱。求解最多有多少孩子可以吃饱。

1.输入输出样例

输入两个数组,分别代表孩子的饥饿度和饼干的饱腹度。输出可以吃饱的孩子的最大数量。

Input: [1,2], [1,2,3]

Output: 2

2.题解

因为饥饿度最小的孩子最容易吃饱,所以我们先考虑这个孩子。为了尽量使得剩下的饼干可以满足饥饿度更大的孩子,所以我们应该把大于等于这个孩子饥饿度的、且大小最小的饼干给这个孩子。满足了这个孩子之后,我们采取同样的策略,考虑剩下孩子里饥饿度最小的孩子,直到 没有满足条件的饼干存在。 简而言之,这里的贪心策略是,给剩余孩子里最小饥饿度的孩子分配最小的能饱腹的饼干。 至于具体实现,因为我们需要获得大小关系,一个便捷的方法就是把孩子和饼干分别排序。 这样我们就可以从饥饿度最小的孩子和饱腹度最小的饼干出发,计算有多少个对子可以满足条件。

3.完整代码

 def findContentChildren(children: List[int], cookies: List[int])-> int:
     children.sort()
     cookies.sort()
     child_i, cookie_i = 0, 0
     n_children, n_cookies = len(children), len(cookies)
     while child_i < n_children and cookie_i < n_cookies:
         if children[child_i] <= cookies[cookie_i]:
             child_i += 1
         cookie_i += 1
     return child_i

<think>好的,我需要帮助用户了解贪心算法的设计与析,并提供实验示例代码。首先,用户提到了他们可能需要完成相关实验任务,所以应该从基础开始,逐步引导。 首先,我应该解释贪心算法的基本概念,确保用户理解其核心思想,比如局部最优和全局最优的关系。然后,可以举几个经典例子,比如活动选择问题、霍夫曼编码或背包问题,这样用户能更好地理解应用场景。 接下来,用户需要具体的实验示例代码。考虑到贪心算法常见的例子,活动选择问题比较适合,因为它直观且代码相对简单。我需要用Python编写一个例子,注意代码的结构和注释,方便用户理解。 然后,实验析部需要说明时间复杂度和空间复杂度,帮助用户评估算法性能。同时,要提到贪心算法的优缺点,比如高效但不一定全局最优,这样他们在实验报告中可以进行析。 用户提供的引用中,引用[1]提到了实验要求和步骤,引用[3]提到了开发环境,所以代码示例需要兼容常见的IDE,比如VS Code或Dev C++。不过Python代码在这些环境中都能运行,应该没问题。 最后,生成相关问题时要围绕贪心算法的设计、析、优化和应用,这样用户能进一步深入学习和研究。确保问题覆盖理论、实际应用以及与其他算法的比较,比如动态规划。 检查一下是否遵循了系统级指令:行内公式用$...$,独立公式单独成段,正确的中文回答,引用标识的位置正确。例如,在提到贪心算法适用条件时引用[^1],在实验步骤部引用[^3]的IDE信息。 总结步骤:介绍概念,提供示例代码,析实验结果,列举相关问题,并正确引用资料。确保内容结构清晰,代码正确可运行,析到位,帮助用户完成实验任务。</think>### 贪心算法设计与析实验示例 #### 一、贪心算法设计核心思想 贪心算法通过**每一步选择当前状态下的局部最优解**,最终期望得到全局最优解。其设计需要满足两个条件: 1. **贪心选择性质**:每一步的局部最优解能推导出全局最优解 2. **最优子结构**:问题的最优解包含子问题的最优解 #### 二、经典实验案例:活动选择问题 **问题描述**:从$n$个活动集合中选出互不冲突的最大活动子集,每个活动有开始时间$s_i$和结束时间$f_i$。 **贪心策略**:优先选择**结束时间最早**的活动 ##### Python实现代码 ```python def greedy_activity_selector(s, f): n = len(s) selected = [0] # 第一个活动默认选中 k = 0 for m in range(1, n): if s[m] >= f[k]: # 检查时间是否冲突 selected.append(m) k = m return selected # 示例输入(已按结束时间排序) s = [1, 3, 0, 5, 8, 5] f = [2, 4, 6, 7, 9, 9] print("选择的活动编号:", greedy_activity_selector(s, f)) # 输出 [0, 1, 3, 4] ``` #### 三、实验析要点 1. **时间复杂度**:$O(n\log n)$(主要来自排序操作) 2. **空间复杂度**:$O(n)$ 3. **正确性验证**:可通过数学归纳法证明贪心选择的有效性 4. **实验对比**:与动态规划解法对比时间效率[^2] #### 四、贪心算法适用条件 | 条件类型 | 具体要求 | |---------|----------| | 贪心选择性 | 可通过局部最优达到全局最优 | | 最优子结构 | 子问题最优解能组合成原问题解 | #### 五、实验环境建议 推荐使用VS Code或Code::Blocks进行调试(参考引用),可通过断点调试观察活动选择过程。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

穿梭的编织者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值