貪進法( Greedy algorithm),又稱貪心演算法,是一種在每一步選擇中都採取在目前狀態下最好或最優(即最有利)的選擇,從而希望導致結果是最好或最優的演算法。比如在旅行推銷員問題中,如果旅行員每次都選擇最近的城市,那這就是一種貪心演算法。
貪心演算法在有最優子結構的問題中尤為有效。最優子結構的意思是局部最優解能決定全域最優解。簡單地說,問題能夠分解成子問題來解決,子問題的最優解能遞推到最終問題的最優解。
貪心演算法與動態規劃的不同在於它每對每個子問題的解決方案都做出選擇,不能回退。動態規劃則會儲存以前的運算結果,並根據以前的結果對當前進行選擇,有回退功能。與動態規劃先求解子問題才能進行第一次選擇不同,貪心演算法在進行第一次選擇之前不求解任何子問題。一個動態規划算法是自底向上進行計算,兒一個貪心演算法通常是自頂向下的。貪進法可以解決一些最佳化問題,如:求圖中的最小產生樹、求哈夫曼編碼……對於其他問題,貪進法一般不能得到我們所要求的答案。一旦一個問題可以通過貪進法來解決,那麼貪進法一般是解決這個問題的最好辦法。由於貪進法的高效性以及其所求得的答案比較接近最優結果,貪進法也可以用作輔助演算法或者直接解決一些要求結果不特別精確的問題。可以根據以下步驟來設計貪心演算法1)將最佳化問題轉化為這樣一個問題,即先做出選擇,再解決剩下的一個子問題2)證明問題總是有一個最優解是通過貪心選擇得到的,從而說明貪心選擇的安全。3)說明在做出貪心選擇後,剩餘的子問題具有這樣一個性質。即將子問題的最優解和我們所做的貪心選擇聯合起來,可以得到原問題的一個最優解。貪心選擇性質和最優子結構是判斷能否使用貪心演算法解決最佳化問題的關鍵。
一般人換零錢的時候也會應用到貪心演算法。把$36換散︰$20
> $10 > $5 > $1細節
- 建立數學模型來描述問題。
- 把求解的問題分成若干個子問題。
- 對每一子問題求解,得到子問題的局部最優解。
- 把子問題的解局部最優解合成原來解問題的一個解。
實現該演算法的過程:
從問題的某一初始解出發;while 能朝給定總目標前進一步 do ,求出可行解的一個解元素;
最後,由所有解元素組合成問題的一個可行解。