貪婪增量演算法
演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。
一個演算法應該具有以下七個重要的特徵：
①有窮性（Finiteness）：演算法的有窮性是指演算法必須能在執行有限個步驟之後終止；
②確切性(Definiteness)：演算法的每一步驟必須有確切的定義；
③輸入項(Input)：一個演算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸 入是指演算法本身定出了初始條件；
④輸出項(Output)：一個演算法有一個或多個輸出，以反映對輸入數據加工後的結果。沒 有輸出的演算法是毫無意義的；
⑤可行性(Effectiveness)：演算法中執行的任何計算步驟都是可以被分解為基本的可執行 的操作步，即每個計算步都可以在有限時間內完成（也稱之為有效性）；
⑥高效性(High efficiency)：執行速度快，佔用資源少；
⑦健壯性(Robustness)：對數據響應正確。
相關推薦：《Python基礎教程》
五種常見的Python演算法：
1、選擇排序
2、快速排序
3、二分查找
4、廣度優先搜索
5、貪婪演算法
㈡ 貪婪演算法應運用什麼軟體求解
如果是要研究演算法就用Matlab，這個是目前很強大的主流軟體，屬於傻瓜式的編程，十分流行。
如果是面向工程應用vs2010吧，這是一個IDE，可以用C、C++、VB等語言實現。
㈢ 程序設計一課中提到的貪婪法基本思想是什麼啊
貪婪法是一種不追求最優解，只希望得到較為滿意解的方法。貪婪法一般可以快速得到滿意的解，因為它省去了為找最優解要窮盡所有可能而必須耗費的大量時間。貪婪法常以當前情況為基礎作最優選擇，而不考慮各種可能的整體情況，所以貪婪法不要回溯。
貪婪演算法的一般方法
1、問題描述
它有n個輸入，而它的解就由這n個輸入的某個子集組成，只是這個子集必須滿足某些事先給定的條件。
2、約束條件 那些必須滿足的條件稱為約束條件。
3、可行解 滿足約束條件的子集稱為該問題的可行解。
4、目標函數 事先給定的衡量可行解優劣的量度標准，通常以函數的形式給出，稱為目標函數。
5、最優解 使目標函數取極值（極大或極小）的可行解，稱為最優解。
6、子結構模式 貪心技術中，問題的最優一般是原輸入的子集，獲取最優子集的貪心方法為子結構模式
7、有序模式 通過計算已有的判定而得出的最優條件，可以為下一步的判定提供依據，這種形式的貪心演算法稱為有序模式。
8、貪婪演算法求解思想（分步處理）
�8�4 根據題意，選取一種量度標准；
�8�4 然後按這種量度標准對這n個輸入排序，並按序一次輸入一個量。
�8�4 如果這個輸入和當前已構成在這種量度意義下的部分最優解加在一起不能產生一個可行解，則不把此輸入加到這部分解中。
這種能夠得到某種意義下的最優解的分級處理方法稱為貪心演算法。
㈣ 貪婪演算法指的是什麼
貪心演算法是指在對問題進行求解時，在每－步選擇中都採取最好或者最優（即最有利）的選擇，從而希望能夠導致結果是最好或者最優的。
貪婪演算法所得到的結果不一定是最優的結果（有時候會是最優解），但是都是相對近似（接近）最優解的結果。
例題、區間問題
問題描述：有n項工作，每項工作分別在si開始，ti結束。對每項工作，你都可以選擇參加或不參加，但選擇了參加某項工作就必須至始至終參加全程參與。
即參與工作的時間段不能有重疊（即使開始的時間和結束的時間重疊都不行）。限制條件：1<=n<=1000001<=si<=ti,=109樣例：輸入51 2 4 6 83 5 7 9 10輸出3(選擇工作1, 3, 5)。
㈤ 哪些常見演算法屬於貪婪演算法
是貪心演算法吧……
就是每次都取最優值。。。比如合並果子：
有n堆果子，每個果子都有一個重量，每次可以任意選擇2堆果子將其合並成一堆，花費是這兩堆果子的重量值之和，求最終合並成一堆的最小(最大)花費。
演算法就是，每次取重量最小(最大)的兩堆果子合並，直到還剩一堆。
㈥ 什麼是貪婪演算法
是貪心演算法吧……
就是每次都取最優值。。。比如合並果子：
有n堆果子，每個果子都有一個重量，每次可以任意選擇2堆果子將其合並成一堆，花費是這兩堆果子的重量值之和，求最終合並成一堆的最小(最大)花費。
演算法就是，每次取重量最小(最大)的兩堆果子合並，直到還剩一堆。
㈦ 什麼是分治演算法貪婪演算法
貪婪演算法
雖然設計一個好的求解演算法更像是一門藝術，而不像是技術，但仍然存在一些行之有效的能夠用於解決許多問題的演算法設計方法，你可以使用這些方法來設計演算法，並觀察這些演算法是如何工作的。一般情況下，為了獲得較好的性能，必須對演算法進行細致的調整。但是在某些情況下，演算法經過調整之後性能仍無法達到要求，這時就必須尋求另外的方法來求解該問題。
分治演算法
就是把大問題分解成一些小問題，然後重小問題構造出大問題的解。
㈧ 貪心演算法的特性
貪婪演算法可解決的問題通常大部分都有如下的特性：
⑴隨著演算法的進行，將積累起其它兩個集合：一個包含已經被考慮過並被選出的候選對象，另一個包含已經被考慮過但被丟棄的候選對象。
⑵有一個函數來檢查一個候選對象的集合是否提供了問題的解答。該函數不考慮此時的解決方法是否最優。
⑶還有一個函數檢查是否一個候選對象的集合是可行的，也即是否可能往該集合上添加更多的候選對象以獲得一個解。和上一個函數一樣，此時不考慮解決方法的最優性。
⑷選擇函數可以指出哪一個剩餘的候選對象最有希望構成問題的解。
⑸最後，目標函數給出解的值。
⑹為了解決問題，需要尋找一個構成解的候選對象集合，它可以優化目標函數，貪婪演算法一步一步的進行。起初，演算法選出的候選對象的集合為空。接下來的每一步中，根據選擇函數，演算法從剩餘候選對象中選出最有希望構成解的對象。如果集合中加上該對象後不可行，那麼該對象就被丟棄並不再考慮；否則就加到集合里。每一次都擴充集合，並檢查該集合是否構成解。如果貪婪演算法正確工作，那麼找到的第一個解通常是最優的。
㈨ 請問數錢的貪婪演算法怎樣確保得到最優解
貪婪演算法：總是作出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，它所做出的僅是在某種意義上的局部最優解。
（註：貪婪演算法不是對所有問題都能得到整體最優解，但對范圍相當廣泛的許多問題它能產生整體最優解。但其解必然是最優解的很好近似解。
基本思路：——從問題的某一個初始解出發逐步逼近給定的目標，以盡可能快的地求得更好的解。當達到某演算法中的某一步不能再繼續前進時，演算法停止
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；
由所有解元素組合成問題的一個可行解；
基本要素：
1、 貪婪選擇性質：所求問題的整體最優解可以通過一系列局部最優的選擇，即貪婪選擇來達到。（與動態規劃的主要區別）
採用自頂向下，以迭代的方式作出相繼的貪婪選擇，每作一次貪婪選擇就將所求問題簡化為一個規模更小的子問題。
對於一個具體問題，要確定它是否具有貪婪選擇的性質，我們必須證明每一步所作的貪婪選擇最終導致問題的最優解。通常可以首先證明問題的一個整體最優解，是從貪婪選擇開始的，而且作了貪婪選擇後，原問題簡化為一個規模更小的類似子問題。然後，用數學歸納法證明，通過每一步作貪婪選擇，最終可得到問題的一個整體最優解。
2、最優子結構性質:包含子問題的最優解
1、 設有n個活動的安排，其中每個活動都要求使用同一資源，如演講會場，而在同一時間只允許一個活動使用這一資源。每個活動都有使用的起始時間和結束時間。問：如何安排可以使這間會場的使用率最高。
活動 起始時間 結束時間
1 1 4
2 3 5
3 0 6
4 5 7
5 3 8
6 5 9
7 6 10
8 8 11
9 8 12
10 2 13
11 12 14
演算法：一開始選擇活動1，然後依次檢查活動一i是否與當前已選擇的所有活動相容，若相容則活動加入到已選擇的活動集合中，否則不選擇活動i,而繼續檢查下一活動的相容性。即：活動i的開始時間不早於最近加入的活動j的結束時間。
Prodere plan;
Begin
n:=length[e];
a {1};
j:=1;
for i:=2 to n do
if s[i]>=f[j] then
begin a a∪{i};
j:=i;
end
end;
例1 [找零錢] 一個小孩買了價值少於1美元的糖，並將1美元的錢交給售貨員。售貨員希望用數目最少的硬幣找給小孩。假設提供了數目不限的面值為2 5美分、1 0美分、5美分、及1美分的硬幣。售貨員分步驟組成要找的零錢數，每次加入一個硬幣。選擇硬幣時所採用的貪婪准則如下：每一次選擇應使零錢數盡量增大。為保證解法的可行性（即：所給的零錢等於要找的零錢數），所選擇的硬幣不應使零錢總數超過最終所需的數目。
假設需要找給小孩6 7美分，首先入選的是兩枚2 5美分的硬幣，第三枚入選的不能是2 5美分的硬幣，否則硬幣的選擇將不可行（零錢總數超過6 7美分），第三枚應選擇1 0美分的硬幣，然後是5美分的，最後加入兩個1美分的硬幣。
貪婪演算法有種直覺的傾向，在找零錢時，直覺告訴我們應使找出的硬幣數目最少（至少是接近最少的數目）。可以證明採用上述貪婪演算法找零錢時所用的硬幣數目的確最少（見練習1）。
㈩ 哪些常見演算法屬於貪婪演算法
顯然KMP和FLOYD演算法不是貪心演算法，FLOYD演算法是使用了類似於動態規劃的思想，而KMP演算法則是對串的前綴進行去處理得到所有可能出現匹配的位置從而減少不必要的位移。貪心演算法可能還有很多，但是一般能用到的可能只有這些。在確定一個問題是否能用貪心來解決的時候應該線能夠證明在這里使用貪心演算法的正確性（詳見演算法導論）