贪心算法(2)——算法导论(22)

1. 写在前面

在上一篇博客中，我们通过选择问题了解了贪心算法。这一篇博客将继续介绍贪心算法，主要谈谈贪心算法的原理，并简单分析一下背包问题。

2. 贪心算法原理

通过上一篇博客中的选择问题，我们看到，贪心算法可以由如下几个步骤来实现：

确定问题的最优子结构；
设计一个递归算法；
证明如果我们做出一个贪心选择，则只剩下一个子问题；
证明贪心选择是安全的；
设计并实现贪心算法。

对比动态规划，我们发现贪心算法和它十分相似，首先它们都必须具备最优子结构性质，然后通常都是将原问题分解为子问题，根据最优子结构性质与问题的分解，设计一个递归算法。不同之处在于，动态规划算法在对问题进行分解时，由于无法确定哪一种分解能够得到原问题的最优解，因此需要考察所有的分解情况，并且正是由于这种分解问题的不确定性，通常会导致子问题重叠，为了提高效率，通常会用一个“备忘录”去备忘子问题的解；而在贪心算法中，我们很明确的知道如何分解问题能产生最优解（或者说是很明确的知道哪种选择的结果在最优解中），因此通常贪心算法没有子问题重叠重叠问题，但我们必须要确保贪心选择的正确性。

和动态规划一样，我们也总结出贪心算法的两个特点（必要条件）。

2.1. 最优子结构性质

这个性质和动态规划一样，因此不再赘述：

如果一个问题的最优解包含其子问题的最优解，我们就称此问题具有最优子结构性质。

2.2. 贪心选择性质

对于某个问题，如果我们可以通过做出局部最优（贪心）选择来构造全局最优解，那么我们就称该问题具有贪心选择性质。

3. 背包问题

下面通过两种不同形式的背包问题，来进一步说明动态规划算法与贪心算法的区别之处，进而加深对贪心算法的理解。

首先说明一下背包问题：

给定一组物品和一个限定重量的背包，每种物品都有自己的重量和价格。在限定的总重量内，我们如何选择，才能使得背包内的物品总价格最高。

在0-1背包问题中，对于每一件物品，你只能做出二元（0-1）选择，即只能选择选择该物品或不选择该物品，而不能只选择该物品的一部分；分数背包问题相反。

我们先做如下说明：

设共有$n$件物品，记为$t_1,t_2,...,t_n$，其中物品$t_i$重量为$w_i$，价值为$p_i$；限重为$W$。

3.1. 0-1背包

首先，我们可证明，0-1背包问题具有最优子结构性质：

因为，对于某种最优选择方案，假设$t_i$属于其中，如果我们拿走$t_i$，那么原问题则变为子问题：从商品$t_1, ...,t_{i-1},t_{i+1}, ...,t_n$中选择某些物品，限重为$W-p_i$。在子问题的所有选择方案中，要想让其中的某种方案与$t_i$组合成原问题的一个最优方案，该方案必须是子问题的一个最优方案。用剪切-粘贴法可以很容易证明，不再赘述。

根据上面的分析，我们先这么考虑，设$P_{T, w}$为物品集合为$T$，限重$w$时，选择的物品的最高总价值，我们可以很容易用一个递归式去表示最优解：

\[P_{T, w} = \begin {cases} 0 & \text{若$T = \{t_i\}, w_i > w$ }\\ p_i&\text{若$T = \{t_i\}, w_i \leq w$}\\ \max\limits_{t_i \in T, w_i \leqslant w}(p_i + P_{T-t_i, w-w_i})&\text{其他} \end{cases} \]

下面给出此递归式的Python实现：

def knapsack_0_1(T, w):
    if len(T) == 1:
        if T[0][2] <= w:
            return T[0][1]
        return 0
    maxValue = 0
    for i, t in enumerate(T):
        if t[2] <= w:
            value = t[1] + knapsack_0_1(T[:i] + T[i + 1:], w - T[i][2])
            if maxValue < value:
                maxValue = value
    return maxValue

我们作如下测试：

if __name__ == '__main__':
    ''' 
    1号商品：$60 - 10kg
    2号商品：$100 - 20kg
    3号商品：$120 - 30kg
	限重 50kg
    '''
    T = [(1, 60 , 10), (2, 100, 20), (3, 120, 30)]
    W = 50
    print(knapsack_0_1(T, W))

打印结果：220

重新审视上述递归式和以上的实现代码，我们发现其压根就不是动态规划算法，而只是简单的递归算法。因为它不满足动态规划问题的一个必要条件：子问题重叠。实际上它也没有充分利用最优子结构性质，而导致“重复”求解了许多问题。其时间复杂度为$O(n!)$。

要用上动态规划算法，我们可以这么去考虑，设$P[i, w]$表示物品$t_1, ...,t_i$在限重为$w$时，能够选择的物品的最高价值。我们可以用如下递归式去表示$P[i, w]$：

\[P[i,w] = \begin {cases} 0 & \text{$w=0$或$i=0$}\\ P[i-1, w] & \text{$w_i > w, i = 1, 2,..., n $}\\ \max\limits_{w_i \leq w} \{P[i-1, w], p_i + P[i-1, w-w_i]\} & \text{$i = 1, 2,..., n$} \end{cases} \]

简单解释一下上述递归式：当$w = 0$或$i = 0$时，显然$P[i， w] = 0$；当$w_i > w$时，因为无法将物品$t_i$放入背包（即不能选择$t_i$），因此$P[i, w] = P[i-1, w]$；第三种情况，既可以选择$t_i$也可以不选择$t_i$，因此需要在这二者之间找出最大值。我们的目标是求出$P[n, W]$。

下面给出一个自底向上的Python实现代码：

def knapsack_0_1(T, w):
    P = [[0] * (w + 1)for i in range(len(T) + 1)]
    for i, t in enumerate(T):
        i = i + 1 # i从0开始迭代，因此必须加上1
        for j in range(1, w + 1):
            if t[2] > j:
                P[i][j] = P[i - 1][j]
            else:
                P[i][j] = max(P[i - 1][j], t[1] + P[i-1][j - t[2]])
    return P

我们做同样的测试：

if __name__ == '__main__':
    ''' 
    1号商品：$60 - 10kg
    2号商品：$100 - 20kg
    3号商品：$120 - 30kg
    限重 50kg
    '''
    # 注意：下面我们将重量都同步缩减为原来的0.1倍，不影响结果。
    T = [(1, 60 , 1), (2, 100, 2), (3, 120, 3)]
    W = 5
    print(knapsack_0_1(T, W)[len(T)][W])

打印结果为：220

分析上述动态规划算法，我们发现其时间复杂度为：$O(n \times W)$，比一开始的递归算法要好。

3.2. 分数背包

分数背包同0-1背包一样，也具有最优子结构，其证明和0-1背包差不多，这里不再赘述。

在分数背包问题中，直觉告诉我们，这样做能够总价值最高的商品：首先用平均价值最高的商品去填充背包。若背包限重还有剩余，则用平均价值第二高的商品去填充背包……之后的情况以此类推，直到背包被“填满”。先提前声明，背包一定是能被“填满”的，即所给的商品的总重量是大于背包的限重的；对于背包限重大于或等于商品总重量的“平凡”情况，没有考虑的必要。

以上的选择策略便是该问题的贪心选择。接下来我们必须证明贪心选择是安全的。

考虑在某种最优选择方案中，在第$k$次选择时，$t_i$是当前所剩的商品中平均价值最高的商品。假设在该最优方案的该次选择中，选择的商品$t_j$不是平均价值最高的商品，即$j \neq i$。我们可以采用剪切-粘贴法，即考虑用$t_i$去替代$t_j$（若$w_i \geq w_j$,则取重量为$w_j$的部分$t_i$去替代；若$w_i < w_j$，则取全部的$t_i$去替代），很明显，替代后的方案比之前的方案更优。因此假设不成立，即$j = i$，即在第$k$次选择时，选择的商品$t_j$是剩余商品中平均价值最高的商品，由于$k$具有任意性，因此贪心选择是安全的。

有了上述的分析，我们可以很容易设计出一个贪心算法，首先将所有商品按平均价值递减的顺序排序，然后再采用如上贪心选择策略做出选择，这样可以在$O(n\lg n)$的时间内解决分数背包问题。

下面给出Python实现代码：

def knapsack_fraction(T, w):
    T.sort(key = lambda t: t[1] / t[2], reverse=  True)
    p = 0
    for t in T:
        if w <= t[2]:
            p += w * t[1] / t[2]
            return p
        else:
            p += t[1]
            w -= t[2]

作如下测试：

if __name__ == '__main__':
    ''' 
    1号商品：$60 - 10kg
    2号商品：$100 - 20kg
    3号商品：$120 - 30kg
	限重 50kg
    '''
    T = [(1, 60 , 10), (2, 100, 20), (3, 120, 30)]
    W = 50
    print(knapsack_fraction(T, W))

打印：240.0

3.3 0-1背包 VS 分数背包

你可能会想，为什么不把用于分数背包问题的贪心算法也用于0-1呢？事实上，是不行的。从我们测试的例子中，就能看出问题。

在分数背包中，最优方案背包里的物品是：10kg的1号商品，20kg的2号商品和20kg的3号商品。注意此时3号商品只取了20kg，它被“分割”了，而在0-1背包问题中，这种“分割”是不允许的。

换个角度说，如果我们对0-1背包问题同样采用如上贪心算法，并且还要保证不能“分割”物品，那么最终我们只能将10kg的1号商品，20kg的2号商品，其总价值为$160，背包还有20kg的载重空间被白白浪费了。

再换个角度，如果把上面的对分数背包贪心选择安全性的证明套用到0-1背包问题中，我们就会发现，在证明中用$t_i$去替代$t_j$的做法不一定能够成功，原因还是因为0-1背包问题中，商品是不允许"切割"的，其重量总是一个固定值。

posted @ 2016-06-18 16:30 学数学的程序猿阅读(2196) 评论(2) 编辑收藏举报

刷新页面返回顶部