学生实验贪心算法解汽车加油问题
汽车加油问题
汽车加油问题
1.题目：
汽车加油问题：一辆汽车加满油后可行驶n 公里。
旅途中有若干个加油站。
设计一个有效算法，指出应在哪些加油站停靠加油，使沿途加油次数最少。
2.算法步骤：
1.请求输入数组并规定格式以及代表意义。
2.以字符串形式读取数组并初始化数组。
3.建立循环求距离之和并判断是否需要加油，如果需要继续
执行否则停止程序。
4.建立循环判断当前油量是否足够到达下一个加油站，如果
不够则输出当前加油站的序号并刷新油量为最大油量，如果足够则仅刷新油量进入下一次循环。
3.源代码：
package汽车加油问题贪心;
import class Greedy {
public static void main(String[] args) {
"请输入一个数组，数组元素依此表示：汽车满油量行驶距离、距第一个加油站的距离、各个加油站之间的间距");
"(注意加油站距离不得大于最大行驶距离)");
Scanner in=new Scanner;
int f=0,b=0,c=0;
String h=();
2.。
第4章贪心算法习题(免费阅读)
算法实现题4-5 程序存储问题
数据输入：
第一行是2 个正整数，分别表示文件个数n和磁带的长 度L。接下来的1 行中，有n个正整数，表示程序存放在磁 带上的长度。
结果输出: 最多可以存储的程序数。
输入示例
6 50
2 3 13 8 80 20 输出示例
5
i 012345
x 2 3 13 8 80 20 7
3
算法实现题4-5 程序存储问题
问题描述： 设有n 个程序{1,2,…, n }要存放在长度为L的磁带上。
程序i存放在磁带上的长度是 li，1 ≤ i ≤ n。 程序存储问题要求确定这n 个程序在磁带上的一个
存储方案，使得能够在磁带上存储尽可能多的程序。 编程任务：
对于给定的n个程序存放在磁带上的长度，编程计 算磁带上最多可以存储的程序数。
532.00
10
算法实现题4-6 最优服务次序问题
double greedy( vector<int> x) {
int i,n=x.size(); sort(x.begin(),x.end()); for(i=1;i<n;++i)
x[i] += x[i-1]; double t=0; for(i=0;i<n;++i) t+=x[i]; t /= n;
算法实现题4-5 程序存储问题
int greedy( vector<int> x, int m){
int i=0, sum=0, n=x.size();
sort(x.begin(),x.end());
while(i
if(sum <= m) i++;
实验3贪心算法（定稿）
实验3贪心算法（定稿）第一篇：实验3 贪心算法（定稿）《算法设计与分析》实验报告实验3贪心算法姓名学号班级实验日期实验地点一、实验目的1、掌握贪心算法的设计思想。
2、理解最小生成树的相关概念。
二、实验环境1、硬件环境 CPU：酷睿i5 内存：4GB 硬盘：1T2、软件环境操作系统：Windows10 编程环境：jdk 编程语言：Java三、实验内容：在Prim算法与Kruskal算法中任选一种求解最小生成树问题。
1、你选择的是：Prim算法2、数据结构（1）图的数据结构——图结构是研究数据元素之间的多对多的关系。
在这种结构中，任意两个元素之间可能存在关系，即结点之间的关系可以是任意的，图中任意元素之间都可能相关。
图形结构——多个对多个，如（2）树的数据结构——树结构是研究数据元素之间的一对多的关系。
在这种结构中，每个元素对下(层)可以有0个或多个元素相联系，对上(层)只有唯一的一个元素相关，数据元素之间有明显的层次关系。
树形结构——一个对多个，如3、算法伪代码 Prim(G,E,W)输入：连通图G 输出：G的最小生成树T 1.S←{1};T=∅ 2.While V-S ≠∅ do3.从V-S中选择j使得j到S中顶点的边e的权最小；T←T∪{e}4.S←S∪{j}3、算法分析时间复杂度：O(n)空间复杂度：O(n^2)4、关键代码（含注释）package Prim;import java.util.*;publicclass Main { staticintMAXCOST=Integer.MAX_VALUE;staticint Prim(intgraph[][], intn){ /* lowcost[i]记录以i为终点的边的最小权值，当lowcost[i]=0时表示终点i加入生成树 */ intlowcost[]=newint[n+1];/* mst[i]记录对应lowcost[i]的起点，当mst[i]=0时表示起点i加入生成树 */ intmst[]=newint[n+1];intmin, minid, sum = 0;/* 默认选择1号节点加入生成树，从2号节点开始初始化*/ for(inti = 2;i<= n;i++){/* 标记1号节点加入生成树 */ mst[1] = 0;/* n个节点至少需要n-1条边构成最小生成树 */ for(inti = 2;i<= n;i++){/* 找满足条件的最小权值边的节点minid */ for(intj = 2;j<= n;j++){/* 输出生成树边的信息:起点，终点，权值 */System.out.printf(“%c1, minid + 'A''A' + 1;intj = chy-'A' + 1;graph[i][j] = cost;graph[j][i] = cost;for(intj = 1;j<= n;j++){ } graph[i][j] = MAXCOST;} } System.out.println(”Total:"+cost);} }5、实验结果（1）输入（2）输出最小生成树的权值为：生成过程：(a)(b)(d)(e)(c)四、实验总结（心得体会、需要注意的问题等）这次实验，使我受益匪浅。
贪心算法 实验报告
贪心算法实验报告贪心算法实验报告引言：贪心算法是一种常用的算法设计策略，它通常用于求解最优化问题。
贪心算法的核心思想是在每一步选择中都选择当前最优的解，从而希望最终能够得到全局最优解。
本实验旨在通过实际案例的研究，探索贪心算法的应用和效果。
一、贪心算法的基本原理贪心算法的基本原理是每一步都选择当前最优解，而不考虑整体的最优解。
这种贪婪的选择策略通常是基于局部最优性的假设，即当前的选择对于后续步骤的选择没有影响。
贪心算法的优点是简单高效，但也存在一定的局限性。
二、实验案例：零钱兑换问题在本实验中，我们以零钱兑换问题为例，来说明贪心算法的应用。
问题描述：假设有不同面值的硬币，如1元、5元、10元、50元和100元，现在需要支付给客户x元，如何用最少的硬币数完成支付？解决思路：贪心算法可以通过每次选择当前面值最大的硬币来求解。
具体步骤如下：1. 初始化一个空的硬币集合，用于存放选出的硬币。
2. 从面值最大的硬币开始，如果当前硬币的面值小于等于待支付金额，则将该硬币放入集合中，并将待支付金额减去该硬币的面值。
3. 重复步骤2，直到待支付金额为0。
实验过程：以支付金额为36元为例，我们可以通过贪心算法求解最少硬币数。
首先，面值最大的硬币为100元，但36元不足以支付100元硬币，因此我们选择50元硬币。
此时，剩余待支付金额为36-50=-14元。
接下来，面值最大的硬币为50元，但待支付金额为负数，因此我们选择下一个面值最大的硬币，即10元硬币。
此时，剩余待支付金额为-14-10=-24元。
继续选择10元硬币，剩余待支付金额为-24-10=-34元。
再次选择10元硬币，剩余待支付金额为-34-10=-44元。
最后，选择5元硬币，剩余待支付金额为-44-5=-49元。
由于待支付金额已经为负数，我们无法继续选择硬币。
此时，集合中的硬币数为1个50元和3个10元，总共4个硬币。
实验结果：通过贪心算法，我们得到了36元支付所需的最少硬币数为4个。
贪心算法实验报告心得
贪心算法实验报告心得前言贪心算法是一种常见且重要的算法设计思想，通过每一步都选择当下最优的解决方案，以期望最终得到全局最优解。
在学习与实践贪心算法的过程中，我有了许多心得与体会。
什么是贪心算法？贪心算法是一种求解问题的算法思想，它的特点是每一步都选择当前最优的解决方案，而不考虑该选择对以后步骤的影响。
贪心算法通常适用于可以将问题分解为若干个子问题，并且通过每次选择当前最优解来得到整体最优解的情况。
贪心算法的基本步骤贪心算法的基本步骤可以总结为以下几个方面：1.确定问题的解空间，并找到问题的最优解。
贪心算法通常通过穷举法或者利用问题的特殊性质来确定解空间。
2.制定贪心策略。
贪心算法的核心是确定每一步选择的贪心策略，即选择当前最优解。
3.确定贪心策略的正确性。
贪心算法的一个关键问题是如何证明贪心策略的正确性。
可以通过数学证明、反证法或者举反例等方式来进行证明。
4.实现贪心算法。
将贪心策略转化为实际可执行的算法步骤，编写代码来求解问题。
贪心算法实验结果分析在本次实验中，我使用贪心算法解决了一个经典问题：找零钱问题（Change-Making Problem）。
给定一定面额的硬币和需找的金额，我们的目标是使用最少的硬币来完成找零钱。
贪心算法的思路是每次选择面额最大的硬币进行找零。
实验设计1.实验输入：我设计了多组输入来测试贪心算法的性能。
每组输入包括一个需找的金额和一个硬币集合。
2.实验输出：对于每组输入，贪心算法输出一个最优的硬币找零方案，以及使用的硬币数量。
3.实验评价：我使用了实际需找金额与贪心算法计算得到的找零金额的差值来评估算法的准确性，并统计了算法的时间复杂度。
实验结果从多组实验结果中可以观察到，贪心算法在大部分情况下给出了正确的找零金额，并且算法的时间复杂度较低。
结果分析贪心算法在找零钱问题中的应用是合理的。
每次选择面额最大的硬币进行找零，可以快速接近最优解，并且相对其他算法具有较低的时间复杂度。
汽车加油问题之贪心算法
汽车加油问题之贪心算法（一）问题描述一辆汽车加满油后可以行驶N千米。
旅途中有若干个加油站。
指出若要使沿途的加油次数最少，设计一个有效的算法，指出应在那些加油站停靠加油。
给出N，并以数组的形式给出加油站的个数及相邻距离，指出若要使沿途的加油次数最少，设计一个有效的算法，指出应在那些加油站停靠加油。
要求：算法执行的速度越快越好。
（二）问题分析（前提行驶前车里加满油）对于这个问题我们有以下几种情况：设加油次数为k，每个加油站间距离为a[i]；i=0，1，2，3……n1.始点到终点的距离小于Ｎ，则加油次数k=0；2.始点到终点的距离大于N，A 加油站间的距离相等，即ａ[i]=a[j]=L=N，则加油次数最少k=n；B 加油站间的距离相等，即ａ[i]=a[j]=L>N，则不可能到达终点；C 加油站间的距离相等，即ａ[i]=a[j]=L<N，则加油次数k=n/N(n%N==0)或k=[n/N]+1(n%N！=0)；D 加油站间的距离不相等，即ａ[i]！=a[j]，则加油次数k通过以下算法求解。
（三）算法描述贪心算法的基本思想该题目求加油最少次数，即求最优解的问题，可分成几个步骤，一般来说，每个步骤的最优解不一定是整个问题的最优解，然而对于有些问题，局部贪心可以得到全局的最优解。
贪心算法将问题的求解过程看作是一系列选择，从问题的某一个初始解出发，向给定目标推进。
推进的每一阶段不是依据某一个固定的递推式，而是在每一个阶段都看上去是一个最优的决策（在一定的标准下）。
不断地将问题实例归纳为更小的相似的子问题，并期望做出的局部最优的选择产生一个全局得最优解。
贪心算法的适用的问题贪心算法适用的问题必须满足两个属性：（１）贪心性质：整体的最优解可通过一系列局部最优解达到，并且每次的选择可以依赖以前做出的选择，但不能依赖于以后的选择。
（２）最优子结构：问题的整体最优解包含着它的子问题的最优解。
贪心算法的基本步骤（１）分解：将原问题分解为若干相互独立的阶段。
算法设计与分析期末试题汇总
A卷一、选择题1.二分搜索算法是利用（A ）实现的算法。
A、分治策略B、动态规划法C、贪心法D、回溯法2. 回溯法解旅行售货员问题时的解空间树是（ A ）。
A、子集树B、排列树C、深度优先生成树D、广度优先生成树3.下列算法中通常以自底向上的方式求解最优解的是（B ）。
A、备忘录法B、动态规划法C、贪心法D、回溯法4．下面不是分支界限法搜索方式的是（ D ）。
A、广度优先B、最小耗费优先C、最大效益优先D、深度优先5．采用贪心算法的最优装载问题的主要计算量在于将集装箱依其重量从小到大排序，故算法的时间复杂度为 ( B ) 。
A、O（n2n）B、O（nlogn）C、O（2n）D、O（n）6．分支限界法解最大团问题时，活结点表的组织形式是（ B）。
A、最小堆B、最大堆C、栈D、数组7、下面问题（B ）不能使用贪心法解决。
A 单源最短路径问题B N皇后问题C 最小花费生成树问题D 背包问题8.下列算法中不能解决0/1背包问题的是（A ）A 贪心法B 动态规划C 回溯法D 分支限界法9.背包问题的贪心算法所需的计算时间为（ B ）A、O（n2n）B、O（nlogn）C、O（2n）D、O（n）10.背包问题的贪心算法所需的计算时间为（B ）。
A、O（n2n）B、O（nlogn）C、O（2n）D、O（n）二、填空题1.算法的复杂性有复杂性和复杂性之分。
2.算法是由若干条指令组成的有穷序列，且要满足输入、、确定性和四条性质。
其中算法的“确定性”指的是组成算法的每条是清晰的，无歧义的。
3.解决0/1背包问题可以使用动态规划、回溯法和分支限界法，其中不需要排序的是，需要排序的是，。
4.动态规划算法的两个基本要素是. 性质和性质。
5.回溯法是一种既带有又带有的搜索算法；分支限界法是一种既带有又带有的搜索算法。
6. 用回溯法解题的一个显著特征是在搜索过程中动态产生问题的解空间。
在任何时刻，算法只保存从根结点到当前扩展结点的路径。
贪心算法-汽车加油问题
int greedy(vector<int>x, int n) { int sum=0;k=x.size(); for(int i=0;i<k;i++) { if(x[i]>n) return -1; } for(int i=0,s=0;i<k;i++) { s+=x[i]; if(s>n) { sum++; s=x[i]; } } return sum; } sum=4;
●问题描述 一辆汽车加满油之后可以行驶n KM ,旅途中有若干个加油站，设 计一个算法指出在哪些加油站停靠加油可以是沿途加油次数最少。 （给定n和k个加油站位置）
7 7 12345166●问题分析 起点 2 3 4 5 1 6 6 终点
假设X[i]表示i-1到i号加油站之间的距离，每一次都是加 满油再出发，根据贪心算法的选择性质为了要使加油次数最少就会 选择离加满油的点远一点的加油站加油。另外当加满油之后，都要 是此后的过程中使加油次数最少，同样，在第二次加满油之后也要 使此后的加油次数最少。每一次汽车中剩下的油不能再行驶到下一 站就在该站加油，每一次加满油之后与起点具有相同的条件，过程 也是相同的。所以说加油次数最少也具有最优子结构的性质。 贪心策略：最远加油站优先。 第一次遍历，主要是看X[i]是否大于n，若大于n是到达不了重点的，错 误。 第二次遍历，给定s表示加满油之后行驶的距离，如果s>n,说明需要加油， 加油次数sum++，s=x[i]。
Thank you !
贪心算法——汽车加油问题
贪心算法基本思想：
贪心算法总是做出在当前看来是最好的选择，并不会从总体去最优考 虑。虽然贪心算法不会对所有问题找到最优，但是有时候会得到最优 解的近似解。
- 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)。
一、实验名称：
用贪心算法、回溯算法、动态规划等解决汽车加油次数最少问题。
二、实验目的：
课程设计是《计算机算法与设计》课程不可缺少的重要实践性环节。
通过实践教学，要达到以下目的：
（1）使学生掌握线性表、栈、队列、串、树、二叉树、图、集合等各种典型抽象数据类型的数学模型及其所支持基本运算的实现方法；
（2）使学生掌握以抽象数据类型为模块的面向对象程序设计方法；
（3）使学生提高对实际问题的分析、设计和实现能力；
（4）为学生后续课程的学习及课程设计打下坚实的实践基础。
三、使用的策略：
贪心算法
四、实验内容：
（一）问题描述
一辆汽车加满油后可以行驶N千米。
旅途中有若干个加油站。
指出若要使沿途的加油次数最少，设计一个有效的算法，指出应在那些加油站停靠加油。
给出N，并以数组的形式给出加油站的个数及相邻距离，指出若要使沿途的加油次数最少，设计一个有效的算法，指出应在那些加油站停靠加油。
要求：算法执行的速度越快越好。
（二）问题分析（前提行驶前车里加满油）
对于这个问题我们有以下几种情况：设加油次数为k，每个加油站间距离为a[i]；i=0，1，2，3……n
1.始点到终点的距离小于Ｎ，则加油次数k=0；
2.始点到终点的距离大于N，
A 加油站间的距离相等，即ａ[i]=a[j]=L=N，则加油次数最少k=n；
B 加油站间的距离相等，即ａ[i]=a[j]=L>N，则不可能到达终点；
C 加油站间的距离相等，即ａ[i]=a[j]=L<N，则加油次数k=n/N(n%N==0)或k=[n/N]+1(n%N！=0)；
D 加油站间的距离不相等，即ａ[i]！=a[j]，则加油次数k通过以下算法求解。
（三）算法描述
1.贪心算法解决方案
贪心算法的基本思想
该题目求加油最少次数，即求最优解的问题，可分成几个步骤，一般来说，每个步骤的最优解不一定是整个问题的最优解，然而对于有些问题，局部贪心可以得到全局的最优解。
贪心算法将问题的求解过程看作是一系列选择，从问题的某一个初始解出发，向给定目标推进。
推进的每一阶段
不是依据某一个固定的递推式，而是在每一个阶段都看上去是一个最优的决策（在一定的标准下）。
不断地将问题实例归纳为更小的相似的子问题，并期望做出的局部最优的选择产生一个全局得最优解。
●贪心算法的适用的问题
贪心算法适用的问题必须满足两个属性：
（１）贪心性质：整体的最优解可通过一系列局部最优解达到，并且每次的选择可以依赖以前做出的选择，但不能依赖于以后的选择。
（２）最优子结构：问题的整体最优解包含着它的子问题的最优解。
●贪心算法的基本步骤
（１）分解：将原问题分解为若干相互独立的阶段。
（２）解决：对于每一个阶段求局部的最优解。
（３）合并：将各个阶段的解合并为原问题的解。
[问题分析]
由于汽车是由始向终点方向开的,我们最大的麻烦就是不知道在哪个加油站加油可以使我们既可以到达终点又可以使我们加油次数最少。
提出问题是解决的开始.为了着手解决遇到的困难,取得最优方案。
我们可以假设不到万不得已我们不加油，即除非我们油箱里的油不足以开到下一个加油站，我们才加一次油。
在局部找到一个最优的解。
却每加一次油我们可以看作是一个新的起点，用相同的递归方法进行下去。
最终将各个阶段的最优解合并为原问题的解得到我们原问题的求解。