算法设计实验_贪心算法背包问题
贪心算法-01背包问题
贪⼼算法-01背包问题1、问题描述：给定n种物品和⼀背包。
物品i的重量是wi，其价值为vi，背包的容量为C。
问:应如何选择装⼊背包的物品，使得装⼊背包中物品的总价值最⼤?形式化描述：给定c >0, wi >0, vi >0 , 1≤i≤n.要求找⼀n元向量(x1,x2,…,xn,), xi∈{0,1}, ∋ ∑ wi xi≤c,且∑ vi xi达最⼤.即⼀个特殊的整数规划问题。
2、最优性原理：设(y1,y2,…,yn)是 (3.4.1)的⼀个最优解.则(y2,…,yn)是下⾯相应⼦问题的⼀个最优解:证明:使⽤反证法。
若不然,设(z2,z3,…,zn)是上述⼦问题的⼀个最优解,⽽(y2,y3,…,yn)不是它的最优解。
显然有∑vizi > ∑viyi (i=2,…,n)且 w1y1+ ∑wizi<= c因此 v1y1+ ∑vizi (i=2,…,n) > ∑ viyi, (i=1,…,n)说明(y1,z2, z3,…,zn)是(3.4.1)0-1背包问题的⼀个更优解,导出(y1,y2,…,yn)不是背包问题的最优解,⽭盾。
3、递推关系：设所给0-1背包问题的⼦问题的最优值为m(i，j)，即m(i，j)是背包容量为j，可选择物品为i，i+1，…，n时0-1背包问题的最优值。
由0-1背包问题的最优⼦结构性质，可以建⽴计算m(i，j)的递归式:注:(3.4.3)式此时背包容量为j，可选择物品为i。
此时在对xi作出决策之后,问题处于两种状态之⼀:(1)背包剩余容量是j,没产⽣任何效益；(2)剩余容量j-wi,效益值增长了vi ；使⽤递归C++代码如下：#include<iostream>using namespace std;const int N=3;const int W=50;int weights[N+1]={0,10,20,30};int values[N+1]={0,60,100,120};int V[N+1][W+1]={0};int knapsack(int i,int j){int value;if(V[i][j]<0){if(j<weights[i]){value=knapsack(i-1,j);}else{value=max(knapsack(i-1,j),values[i]+knapsack(i-1,j-weights[i]));}V[i][j]=value;}return V[i][j];}int main(){int i,j;for(i=1;i<=N;i++)for(j=1;j<=W;j++)V[i][j]=-1;cout<<knapsack(3,50)<<endl;cout<<endl;}不使⽤递归的C++代码：简单⼀点的修改//3d10-1 动态规划背包问题#include <iostream>using namespace std;const int N = 4;void Knapsack(int v[],int w[],int c,int n,int m[][10]);void Traceback(int m[][10],int w[],int c,int n,int x[]);int main(){int c=8;int v[]={0,2,1,4,3},w[]={0,1,4,2,3};//下标从1开始int x[N+1];int m[10][10];cout<<"待装物品重量分别为："<<endl;for(int i=1; i<=N; i++){cout<<w[i]<<" ";}cout<<endl;cout<<"待装物品价值分别为："<<endl;for(int i=1; i<=N; i++){cout<<v[i]<<" ";}cout<<endl;Knapsack(v,w,c,N,m);cout<<"背包能装的最⼤价值为："<<m[1][c]<<endl;Traceback(m,w,c,N,x);cout<<"背包装下的物品编号为："<<endl;for(int i=1; i<=N; i++){if(x[i]==1){cout<<i<<" ";}}cout<<endl;return 0;}void Knapsack(int v[],int w[],int c,int n,int m[][10]){int jMax = min(w[n]-1,c);//背包剩余容量上限范围[0~w[n]-1] for(int j=0; j<=jMax;j++){m[n][j]=0;}for(int j=w[n]; j<=c; j++)//限制范围[w[n]~c]{m[n][j] = v[n];}for(int i=n-1; i>1; i--){jMax = min(w[i]-1,c);for(int j=0; j<=jMax; j++)//背包不同剩余容量j<=jMax<c{m[i][j] = m[i+1][j];//没产⽣任何效益}for(int j=w[i]; j<=c; j++) //背包不同剩余容量j-wi >c{m[i][j] = max(m[i+1][j],m[i+1][j-w[i]]+v[i]);//效益值增长vi }}m[1][c] = m[2][c];if(c>=w[1]){m[1][c] = max(m[1][c],m[2][c-w[1]]+v[1]);}}//x[]数组存储对应物品0-1向量,0不装⼊背包，1表⽰装⼊背包void Traceback(int m[][10],int w[],int c,int n,int x[]){for(int i=1; i<n; i++){if(m[i][c] == m[i+1][c]){x[i]=0;}else{x[i]=1;c-=w[i];}}x[n]=(m[n][c])?1:0;}运⾏结果：算法执⾏过程对m[][]填表及Traceback回溯过程如图所⽰：从m(i，j)的递归式容易看出，算法Knapsack需要O(nc)计算时间; Traceback需O(n)计算时间；算法总体需要O(nc)计算时间。
背包算法问题
背包问题贪心方法 实验日志实验题目：1）求以下情况背包问题的最优解：n=7，M=15，（71,,p p ）=（10，5，15，7，6，18，3）和（71,,w w ）=（2，3，5，7，1，4，1）。
实验目的：1. 掌握贪心方法算法思想；2. 熟练使用贪心算法之背包问题解决相应的问题。
实验思想：贪心方法是一种改进了的分级处理方法。
它首先根据题意，选取一种量度标准。
然后按这种量度标准对这n 个输入排序，并按排序一次输入一个量。
如果这个输入和当前已构成在这种量度意义下的部分最优解加在一起不能产生一个可行解，则不把此解输入加到这部分解中。
这种能够得到某种度量意义下的最优解的分级处理方法称为贪心方法。
1．背包问题（1）背包问题的描述：已知有n 种物品和一个可容纳M 重量的背包，每种物品i 的重量为i w 。
假定将物品i 的一部分i x 放入背包就会得到i i x p 的效益，这里，10≤≤i x , 0>i p 。
显然，由于背包容量是M ，因此，要求所有选中要装入背包的物品总重量不得超过M.。
如果这n 件物品的总重量不超过M ，则把所有物品装入背包自然获得最大效益。
现需解决的问题是，这些物品重量的和大于M ，该如何装包。
由以上叙述，可将这个问题形式表述如下：极 大 化∑≤≤n i i x p 1i约束条件 M x w n i i ≤∑≤≤1in i w p x i i i ≤≤>>≤≤1,0,0,10（2）用贪心策略求解背包问题首先需选出最优的量度标准。
不妨先取目标函数作为量度标准，即每装入一件物品就使背包获得最大可能的效益值增量。
在这种量度标准下的贪心方法就是按效益值的非增次序将物品一件件放到背包中去。
如果正在考虑中的物品放不进去，则可只取其一部分来装满背包。
但这最后一次的方法可能不符合使背包每次获得最大效益增量的量度标准，这可以换一种能获得最大增量的物品，将它（或它的一部分）放入背包，从而使最后一次装包也符合量度标准的要求。
经典贪心题
贪心算法是一种在解决问题的过程中追求局部最优的算法，对于一个有多种属性的事物来说，贪心算法会优先满足某种条件，追求局部最优的同时希望达到整体最优的效果。
以下是一些经典的贪心算法问题：1. 背包问题：给定一组物品，每个物品都有自己的重量和价值，背包的总容量有限。
贪心算法需要选择物品以最大化背包中物品的总价值，同时不超过背包的总容量。
这种问题可以有多种变体，例如分数背包问题和完全背包问题。
2. 硬币找零问题：给定一组硬币的面值和数量，以及需要找零的金额。
贪心算法需要选择硬币以最小化找零的总数量。
这个问题可以通过从大到小排序硬币，并从最大面值的硬币开始选择，直到找零的金额达到所需的总金额。
3. 区间选点问题：给定一系列闭区间，每个闭区间都有一个起始点和结束点。
贪心算法需要选择尽量少的点，使得每个闭区间内至少有一个点被选中。
这个问题可以通过对结束点进行排序，并从左到右选择结束点，直到下一个要选择的结束点与上一个选择的结束点之间的距离大于当前选择的结束点与上一个选择的结束点之间的距离为止。
4. 区间覆盖问题：给定一系列闭区间，贪心算法需要选择尽量少的区间，使得所有区间都被覆盖。
这个问题可以通过对每个闭区间的左端点进行排序，并从左到右选择左端点，直到下一个要选择的左端点与上一个选择的左端点之间的距离大于当前选择的左端点与上一个选择的左端点之间的距离为止。
5. 排班问题：给定一组员工和他们的班次需求，以及一组工作日的日程安排。
贪心算法需要为员工分配班次，以最小化总工作时间并满足所有工作日的需求。
这个问题可以通过从可用的班次中选择最长的班次，并从左到右分配员工，直到所有员工都被分配到一个班次为止。
这些问题是贪心算法的经典示例，它们展示了贪心算法在解决优化问题中的广泛应用。
实验项目三 用蛮力法、动态规划法和贪心法求解背包问题
实验项目三 用蛮力法、动态规划法和贪心法求解0/1背包问题实验目的1、学会背包的数据结构的设计，针对不同的问题涉及到的对象的数据结构的设计也不同；2、对0-1背包问题的算法设计策略对比与分析。
实验内容：0/1背包问题是给定n 个重量为{w 1, w 2, … ,wn }、价值为{v 1, v 2, … ,vn }的物品和一个容量为C 的背包，求这些物品中的一个最有价值的子集，并且要能够装到背包中。
在0/1背包问题中，物品i 或者被装入背包，或者不被装入背包，设xi 表示物品i 装入背包的情况，则当xi =0时，表示物品i 没有被装入背包，xi =1时，表示物品i 被装入背包。
根据问题的要求，有如下约束条件和目标函数：于是，问题归结为寻找一个满足约束条件式1，并使目标函数式2达到最大的解向量X =(x 1, x 2, …, xn )。
背包的数据结构的设计：typedef struct object{int n;//物品的编号int w;//物品的重量int v;//物品的价值}wup;wup wp[N];//物品的数组，N 为物品的个数int c;//背包的总重量1、蛮力法蛮力法是一种简单直接的解决问题的方法，常常直接基于问题的描述和所涉及的概念定义。
蛮力法的关键是依次处理所有的元素。
用蛮力法解决0/1背包问题，需要考虑给定n 个物品集合的所有子集，找出所有可能的子集（总重量不超过背包容量的子集），计算每个子集的总价值，然后在他们中找到价值最大的子集。
所以蛮力法解0/1背包问题的关键是如何求n 个物品集合的所有子集，n 个物品的子集有2的n 次方个，用一个2的n 次方行n 列的数组保存生成的子集，以下是生成子集的算法：⎪⎩⎪⎨⎧≤≤∈≤∑=)1(}1,0{1n i x C x w i n i i i （式1）∑=ni i i x v 1max （式2）void force(int a[16][4])//蛮力法产生4个物品的子集{int i,j;int n=16;int m,t;for(i=0;i<16;i++){ t=i;for(j=3;j>=0;j--){m=t%2;a[i][j]=m;t=t/2;}}for(i=0;i<16;i++)//输出保存子集的二维数组{for(j=0;j<4;j++){printf("%d ",a[i][j]);}printf("\n");}｝以下要依次判断每个子集的可行性，找出可行解:void panduan(int a[][4],int cw[])////判断每个子集的可行性，如果可行则计算其价值存入数组cw,不可行则存入0{int i,j;int n=16;int sw,sv;for(i=0;i<16;i++){sw=0;sv=0;for(j=0;j<4;j++){sw=sw+wp[j].w*a[i][j];sv=sv+wp[j].v*a[i][j];}if(sw<=c)cw[i]=sv;elsecw[i]=0;}在可行解中找出最优解，即找出可行解中满足目标函数的最优解。
c语言算法--贪婪算法---01背包问题
c语言算法--贪婪算法---0/1背包问题在0 / 1背包问题中，需对容量为c 的背包进行装载。
从n 个物品中选取装入背包的物品，每件物品i 的重量为wi ，价值为pi 。
对于可行的背包装载，背包中物品的总重量不能超过背包的容量，最佳装载是指所装入的物品价值最高，即n ?i=1pi xi 取得最大值。
约束条件为n ?i =1wi xi≤c 和xi?[ 0 , 1 ] ( 1≤i≤n)。
在这个表达式中，需求出xt 的值。
xi = 1表示物品i 装入背包中，xi =0 表示物品i 不装入背包。
0 / 1背包问题是一个一般化的货箱装载问题，即每个货箱所获得的价值不同。
货箱装载问题转化为背包问题的形式为：船作为背包，货箱作为可装入背包的物品。
例1-8 在杂货店比赛中你获得了第一名，奖品是一车免费杂货。
店中有n 种不同的货物。
规则规定从每种货物中最多只能拿一件，车子的容量为c，物品i 需占用wi 的空间，价值为pi 。
你的目标是使车中装载的物品价值最大。
当然，所装货物不能超过车的容量，且同一种物品不得拿走多件。
这个问题可仿照0 / 1背包问题进行建模，其中车对应于背包，货物对应于物品。
0 / 1背包问题有好几种贪婪策略，每个贪婪策略都采用多步过程来完成背包的装入。
在每一步过程中利用贪婪准则选择一个物品装入背包。
一种贪婪准则为：从剩余的物品中，选出可以装入背包的价值最大的物品，利用这种规则，价值最大的物品首先被装入（假设有足够容量），然后是下一个价值最大的物品，如此继续下去。
这种策略不能保证得到最优解。
例如，考虑n=2, w=[100,10,10], p =[20,15,15], c = 1 0 5。
当利用价值贪婪准则时，获得的解为x= [ 1 , 0 , 0 ]，这种方案的总价值为2 0。
而最优解为[ 0 , 1 , 1 ]，其总价值为3 0。
另一种方案是重量贪婪准则是：从剩下的物品中选择可装入背包的重量最小的物品。
js贪心算法---背包问题
js贪⼼算法---背包问题 /** @param {Object} capacity 背包容量 6* @param {Object} weights 物品重量 [2,3,4]* @param {Object} values 物品价值 [3,4,5]*///贪⼼算法，只能算，可以分割的物品，如果不能分割物品，只能得到近似解，不分割物品，可以使⽤动态规划 //1、计算每件商品的（价格/质量），即单位质量的价值//2、将单位质量价值排序//3、逐个取出console.log(tanx(6,[2,3,4],[3,4,5]));function tanx(capacity,weights,values){var list = [];for(var i = 0,len = weights.length; i < len; i++){list.push({num:i+1, //第⼏件商品w:weights[i], //重量v:values[i],rate:values[i]/weights[i]});}list.sort(function(a,b){if(a.rate > b.rate){return -1;}else{return 1;}});var selects = [];var total = 0;for(var i = 0,len = list.length; i < len; i++){var item = list[i];if(item['w'] <= capacity){selects.push({num:item.num,rate:1 , //完整的商品记录为1v:item.v,w:item.w});total = total + item.v;capacity = capacity - item.w;}else if(capacity > 0){//选取不完整的商品var rate = capacity/item['w'];var v = item.v*rate;selects.push({num:item.num,rate: rate,v:item.v*rate,w:item.w*rate});total = total + v;break;}else{break;}}return {selects,total}}。
贪心算法之背包问题
贪⼼算法之背包问题贪⼼算法之背包问题1.与动态规划的区别通过研究解决经典的组合优化问题，来说明⼆者的差别。
即0-1背包问题与背包问题0-1背包问题：给定n中物品和⼀个背包。
物品i的重量为W i，其价值为V i，背包的容量为C。
应如何选择装⼊背包的物品，使得装⼊背包中物品的总价值最⼤？对于每种物品i只有俩种选择，即装⼊背包或不装⼊背包背包问题：与0-1背包问题类似，不同在于选择物品i装⼊背包时，可以选择物品i的⼀部分，⽽不⼀定要全部装⼊背包，1≤i≤n。
这2类问题都具有最优⼦结构性质，极为相似。
背包问题可以⽤贪⼼算法求最优解，0-1背包不能使⽤贪⼼求解。
2.贪⼼解决背包问题步骤贪⼼策略：每次选择单位重量价值最⾼的物品装⼊背包计算每种物品单位重量的价值V iW i，按单位重量的价值从⼤到⼩将n中物品排序。
以排序后的次序依次将物品装⼊背包。
直⾄全部物品都装⼊或者因背包容量不⾜不能装⼊为⽌如果背包尚有容量，将最后不能完全装⼊物品切割⼀部分装满背包算法结束3.代码实现/*** n 物品数* M 背包容量* v[] 物品价值数组* w[] 物品重量数组* x[] 保存最优解路径数组,为1则表⽰该物品完全装⼊，否则装⼊该物品的⼀部分**/void Knapsack(int n, float M, float v[], float w[], float x[]) {// 按照物品单位重量的价值递减排序Sort(n, v, w);int i;for (i = 1; i <= n; i++)x[i] = 0;float c = M;for (i = 1; i <= n; i++) {if (w[i] > c)break;x[i] = 1;c -= w[i];}if (i <= n)x[i] = c / w[i];}Processing math: 100%。
算法分析与设计实验三贪心算法
实验三贪心算法实验目的1. 掌握贪心法的基本思想方法；2. 了解适用于用贪心法求解的问题类型，并能设计相应贪心法算法；3. 掌握贪心算法复杂性分析方法分析问题复杂性。
预习与实验要求1. 预习实验指导书及教材的有关内容，掌握贪心法的基本思想；2. 严格按照实验内容进行实验，培养良好的算法设计和编程的习惯；3. 认真听讲，服从安排，独立思考并完成实验。
实验设备与器材硬件：PC机软件：C++或Java等编程环境实验原理有一类问题是要从所有的允许解中求出最优解，其策略之一是“贪心法”，即逐次实施“贪心选择”：在每个选择步骤上做出的选择都是当前状态下最优的。
贪心选择依赖于在此之前所做出的选择，但不依赖于后续步骤所需要的选择，即不依赖于后续待求解子问题。
显然，这种选择方法是局部最优的，但不是从问题求解的整体考虑进行选择，因此不能保证最后所得一定是最优解。
贪心法是求解问题的一种有效方法，所得到的结果如果不是最优的，通常也是近似最优的。
实验内容以下几个问题选做一项：1. 用贪心法实现带有期限作业排序的快速算法应用贪心设计策略来解决操作系统中单机、无资源约束且每个作业可在等量时间内完成的作业调度问题。
假定只能在一台机器上处理N个作业，每个作业均可在单位时间内完成；又假定每个作业i都有一个截止期限di>0（它是整数），当且仅当作业i在它的期限截止以前被完成时，则获得pi的效益。
这个问题的一个可行解是这N个作业的一个子集合J，J中的每个作业都能在各自的截止期限之前完成。
可行解的效益值是J中这些作业的效益之和，即Σp。
具有最大效益值的可行解就是最优解。
2. 实现K元归并树贪心算法两个分别包含n个和m个记录的已分类文件可以在O（n+m）时间内归并在一起而得到一个分类文件。
当要把两个以上的已分类文件归并在一起时，可以通过成对地重复归并已分类的文件来完成。
例如：假定X1,X2,X3,X4是要归并的文件，则可以首先把X1和X2归并成文件Y1，然后将Y1和X3归并成Y2，最后将Y2和X4归并，从而得到想要的分类文件；也可以先把X1和X2归并成Y1，然后将X3和X4归并成Y2，最后归并Y1和Y2而得到想要的分类文件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
int[] w;
int[] v;
Scanner scan=new Scanner(System.in);
System.out.print("输入背包的容量:");
c=scan.nextInt();
System.out.print("输入物品的数量:");
N=scan.nextInt();
System.out.print("分别输入物品的价值:");
v=new int[N];
for(int i=0;i<N;i++)
{
v[i]=scan.nextInt();
}
System.out.print("分别输入物品的重量:");
w=new int[N];
for(int i=0;i<N;i++)
int c;
int[] w;
int[] v;
Scanner scan=new Scanner(System.in);
System.out.print("输入背包的容量:");
c=scan.nextInt();
System.out.print("输入物品的数量:");
N=scan.nextInt();
}
}
for(int j = 0;j<N;j++)
totalx=totalx+n[j]*v[j];
ShowResult s = new ShowResult(v,w,N,n,totalx);
}
2.3、编程实现题目要求；
2.4、调试程序；
2.5、实验数据及实验结果；
输入数据：背包容量为50公斤。物品1重10公斤，价值60元；物品2重20公斤，价值100元；物品3重30公斤，价值120元。
for(int i= 0;i<N;i++)
for(int j=i+1;j<N;j++)
{
if(x[i] < x[j]){来自temp2 = x[j];
x[j] = x[i];
x[i] =temp2;
temp1 = v[j];
v[j] = v[i];
v[i] = temp1;
temp1 = w[j];
w[j] = w[i];
{
w[i]=scan.nextInt();
}
System.out.println();
int [] wCopy = new int [N];
int [] vCopy = new int [N];
float temp2;
int temp1;
float totalx=0;
float [] x = new float [N];//价值和重量的比值
}
}
for(int j = 0;j<N;j++)
totalx=totalx+n[j]*v[j];
ShowResult s = new ShowResult(v,w,N,n,totalx);
System.out.print("分别输入物品的价值:");
v=new int[N];
for(int i=0;i<N;i++)
{
v[i]=scan.nextInt();
}
System.out.print("分别输入物品的重量:");
w=new int[N];
for(int i=0;i<N;i++)
float [] n =new float[N];//记录个数
float [] nCopy = new float[N];
for(int i=0;i<N;i++)
{
wCopy [i] = w[i];
vCopy [i] = v[i];
}
for (int i=0;i<N;i++)
x[i] = (float) ((v[i]*1.0)/w[i]);
w[i] = temp1;
}
}//效益重量比值排序
Backpack b = new Backpack(c,w,v,n);
for(int i=0;i<N;i++)
for(int j=0;j<N;j++)
{
if(wCopy[i]==w[j] && vCopy[i]==v[j])
{
nCopy[i] = b.n[i];
输出结果：
2.6、算法时间复杂度
O(nlogn)
三、总结
通过本次实验，加深了我对背包问题及贪心算法的理解。
附录：源代码
import java.util.Scanner;
import java.text.DecimalFormat;
public class greedbag
{
greedbag()
{
int N;
{
w[i]=scan.nextInt();
}
System.out.println();
int [] wCopy = new int [N];
int [] vCopy = new int [N];
float temp2;
int temp1;
float totalx=0;
float [] x = new float [N];//价值和重量的比值
float [] n =new float[N];//记录个数
float [] nCopy = new float[N];
for(int i=0;i<N;i++)
{
wCopy [i] = w[i];
vCopy [i] = v[i];
}
for (int i=0;i<N;i++)
x[i] = (float) ((v[i]*1.0)/w[i]);
《算法分析与设计》
课程实验
专业年级：信息与计算科学
学生学号：
学生姓名：
实验题目：用贪婪法求解背包问题
指导老师：
实验时间：20xx年xx月x日
一、实验内容
用贪婪法求解背包问题
要求：用非递归实现
二、实验步骤
2.1、理解算法思想和问题要求；
2.2、写出每个操作的算法
非递归算法：
greedbag()
{
int N;
w[i] = temp1;
}
}//效益重量比值排序
Backpack b = new Backpack(c,w,v,n);
for(int i=0;i<N;i++)
for(int j=0;j<N;j++)
{
if(wCopy[i]==w[j] && vCopy[i]==v[j])
{
nCopy[i] = b.n[i];
for(int i= 0;i<N;i++)
for(int j=i+1;j<N;j++)
{
if(x[i] < x[j])
{
temp2 = x[j];
x[j] = x[i];
x[i] =temp2;
temp1 = v[j];
v[j] = v[i];
v[i] = temp1;
temp1 = w[j];
w[j] = w[i];