python 贪心算法的实现
贪心算法
贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。
贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。
基本思路
思想
贪心算法的基本思路是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止 。
步骤
P即为贪心策略，用来选择符合条件的元素。
例子——硬币找零
假设某国硬币面值有1,5,10,25,100元五种面额，若店员为顾客找零时，需要给顾客找零a=36元，求硬币数最少的情况。
这里我们的贪心策略为：
先找到最接近a的值，然后对a进行更新，然后进行循环。
代码实现
def shortNum(a):
coins = [1,5,10,25,100]
out = []
coins = coins[::-1]
for i in coins:
num = a//i
out=out+[i,]*num
a = a-num*i
if a<=0:
break
return out
a = 36
print(shortNum(a))
例子——任务规划
问题描述：
输入为任务集合X= [r1,r2,r3,...,rn],每个任务ri,都对应着一个起始时间ai与结束时间bi
要求输出为最多的相容的任务集。
如上图，r1与r2相容，r3与r1和r2都不相容。
那么这里的贪心策略我们可以设为：
先将结束时间最短的任务加入到S中， 再从剩下的任务的任务中选择结束时间最短的，且判断与S集合中的任务是否相容 若不相容，则换下一个时间最短的任务，并进行比较 循环，直至X为空。代码实现
# 任务规划
from collections import OrderedDict
task = OrderedDict()
task['r1'] = [0,4]
task['r2'] = [5,8]
task['r3'] = [10,13]
task['r4'] = [15,18]
task['r5'] = [7,11]
task['r6'] = [2,6]
task['r7'] = [2,6]
task['r8'] = [2,6]
task['r9'] = [12,16]
task['r10'] = [12,16]
task['r11'] = [12,16]
task['r12'] = [0,3]
listTask = list(task.items())
# 根据bi进行排序，结束时间早的在前面（冒泡排序）
for i in range(len(listTask)-1):
for j in range(len(listTask)-i-1):
if listTask[j][1][1] > listTask[j+1][1][1]:
listTask[j],listTask[j+1]=listTask[j+1],listTask[j]
print(listTask)
out = []
out.append(listTask.pop(0))
def isValid(temp,out):
for k in range(len(out)):
if temp[1][0]<out[k][1][1]:
# 相交
return False
return True
for j in range(len(listTask)):
temp = listTask.pop(0)
# 判断是否相交
# 相交则continue
# 不相交则out.append(temp)
for k in range(len(out)):
if isValid(temp,out):
out.append(temp)
# else:continue 语句可以不写
else:
continue
print(out)
以上就是python 贪心算法的实现的详细内容，更多关于python 贪心算法的资料请关注软件开发网其它相关文章！
您可能感兴趣的文章:python实现粒子群算法python 决策树算法的实现Python实现七个基本算法的实例代码Python实现EM算法实例代码python em算法的实现python 如何实现遗传算法Python 实现国产SM3加密算法的示例代码python 密码学示例——理解哈希（Hash）算法python实现二分查找算法python 实现非极大值抑制算法（Non-maximum suppression, NMS）
