第9章_蛮力_贪婪法_数据结构与算法.pptx

20:42
5／28
蛮力法应用 —— 一种重要的算法设计方法
解决各种问题的一般方法 常用于一些很基本又重要的算法 —— 计算 n 个数的和 —— 求数据集的最大元素，…… 可作为尺度，衡量同样问题的其他算法的效率 对于规模不大的问题（蛮力法的速度可以接受时） 蛮力法是一种很好的解决方案！ 设计高效算法的代价很可能是不值得的： ① 算法可读性变差，算法实现的复杂性增加 软件工程：不利于软件的开发、测试、维护 ② 时间效率得不到显著的体现
6
20:42
16／28
算法过程图例
树中顶点集 初始树 A(, ) 候选顶点集
B ( A, 3), C ( , ) D( , ), E ( A, 6) F ( A, 5)
B
3
4
1
C
4
6 5
A
5 6
F
2
D
8
E B
1
C
4
A(, ), B( A, 3)
C ( B,1), D( , ) E ( A, 6), F ( B, 4)
穷举查找：最近对问题、凸包问题
20:42
7／28
排序算法设计
举例：对线性表 (89, 45, 68, 90, 29, 34, 17) 排为升序 思考：什么是排序问题？最直接的排序方法？ 蛮力法：按从小到大顺序挑出各个元素排列好 2 3 4 5 6 n 7 SelectionSort ( A[1...n]) { 45 68 90 29 34 17 for i 1 to n 1 45 68 95 34 89 for j i 1 to n 29 34 90 45 68 89 if ( A[ j ] A[min] ) min j 29 34 45 90 68 89 A[ i ] A[min] 29 34 45 68 90 89 } 29 34 45 68 89 90
蛮力法：直接基于问题本身描述的算法设计方法 解决问题没有或不用技巧（简单、直接） 简例 已知 a 和非负整数 n，计算 an 的蛮力算法：
a a aa ... a
n n个
典型算法：各种穷举法
优缺点
优点：算法设计简单，易于设计 缺点：算法的时间效率一般不高
20:42
19／28
B 树中边集 ET 有序候选边集 E BC, EF, AB, BF, CF 1 2 3 4 4 AF, DF, AE, CD, DE 5 5 6 6 8
3
4
1
C
4
6 5
A
5 6
F
2
D
Φ
8
E B
3
4
1
C
4
6 5 8
BC
BC, EF, AB, BF, CF 1 2 3 4 4 AF, DF, AE, CD, DE 5 5 6 6 8
Kruskal 算法 (克鲁斯卡尔, 避环法)
策略：初始森林开始，逐步合并森林，直到生成 MST 1 Kruskal 算法 // 网G=<V,E,W> B C 4 4 3 6 { O(eloge), e 边数 A 5 F 5 D G 的边集 E 排序：权值小→大 2 初始森林：MST 的边集 ET = Φ 6 8 E while( |ET| <= n-1 ) // MST有多少边？ { 从 E 取下一条边 {u, v} ; E = E - {u, v} ; if ({u,v} 与 ET中边不构成回路 ) ET = ET∪{u,v} ; // {u, v} 加入MST } } 判断 u, v 是否属于同一棵树 (极小连通子图)
一个承重量为 W 的背包 求解：能够放入背包(可行)、最有价值的子集 (最优) 连续背包 物品可以按任意比例切分，比例系数 (0.0~1.0) 离散背包（0-1背包） 物品不能切分。0：不放入， 1：放入
0-1背包的蛮力法 (穷举查找)
① 生成 n 个物品集合的全部子集（所有组合） ② 计算每个子集的重量(≤W) ，计算可行解的价值 ③ 最优解：可行解中价值最大者
20:42
12／28
生成树 (Spanning Tree, ST)
包含连通图全部顶点的一个连通无环子图 (边数 = n-1) 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
最小生成树 (Minimum Spanning Tree, MST)
带权连通图所有生成树中，权重之和最小的那一棵 A 1 B A 1 B A 1 B A 1 B 2 2 2 5 5 5 C 3 D C 3 D w(T1) = 6 3 D w(T2) = 9 C C D w(T3) = 8
20:42
13／28
普利姆 (Prim) 算法
策略：初始子树开始，逐步扩展子树，直到生成 MST 算法： ① 初始子树 任选一个顶点 v0 ② 子树扩展（贪婪） 加入顶点：不在树中、到树的距离最近的一个顶点 ○ 顶点到树的距离：到树中所有顶点的最短距离 ③ 算法停止 全部顶点都已加入树中（形成一棵树） 说明：MST不唯一，但权之重和相同 算法过程图：下页
20:42
11／28
每一步的决策
是可行解（满足约束条件） 局部最优（贪婪） 不可逆转（后续步骤不能改变它）
优缺点
优点：算法较简单，时空效率较高 缺点：存在视界局限（局部最优不一定是全局最优）， 对某些优化问题，不能获得最优解！
负梯度只是局部最好方向， 相邻两次迭代的方向垂直， 整个搜索轨迹呈现锯齿形！ 若函数性态很坏，震荡现象 严重，甚至计算不收敛。
BC, EF, AB, BF, CF 1 2 3 4 4 AF, DF, AE, CD, DE 5 5 6 6 8
A
5 6
F
2
D
E
B
3
4
1
C
4
BC,EF
6 5
A
5 6
F
2
D
8
E
20:42
20／28
B 树中边集 ET 有序候选边集 E BC, EF, AB, BF, CF 不 1 2 3 4 4 唯 AF, DF, AE, CD, DE 一 5 5 6 6 8
Data Structures and Algorithms
主讲教师 : 黄襄念 西华大学数学与计算机学院
图像处理与模式识别实验室
课程QQ群：101600501
2／28
20:42
3／28
数学描述
算法设计
数据结构设计 程序设计
20:42
4／28
蛮力法（Brute Force Algorithm）
穷举查找
① 设计生成算法，生成全部子集（个数：2n ） 幂集
② 对所有子集一一判定是否满足约束条件：
满足的子集：解（可行解） 不满足的子集：不可行解
20:42
9／28
背包问题（Knapsack Problem） 已知：n 个物品，重量 (w1, ..., wn), 价值 (v1, ..., vn),
1 89 17 17 17 17 17 17
n( n 1) 2 T ( n) 1 ( n ) 2 i 1 j i 1
n1 n
20:42
8／28
组合问题的查找
前述查找：给定集合中查找满足条件的一个元素 (key) 组合问题的查找：给定集合中查找满足条件的子集 例：子集和问题 在给定的整数集合中，查找满足如下条件的子集： 元素和 = 某个给定的整数 （约束条件） 应用例：食堂就餐（50元钱能买多少食品，不找零）
3
4
6 5
A
5 6
F
2
D
8
E
20:42
17／28
B
3
4
1
C
4
6 5
树中顶点集
A( , ), B( A, 3) C ( B ,1) A( , ), B( A, 3) C ( B ,1), F ( B , 4)
候选顶点集
A
5 6
F
2
D
D(C , 6), E ( A, 6) F ( B , 4) MST 不唯一
xk (0,1) , k 1, ..., n
0 xk 1
三种贪婪策略 ① 价值贪婪 ② 重量贪婪 ③ 价值／重量贪婪
20:42
24／28
GreedyKnapsack ( n, w[1...n], v[1...n], x[1...n],W ,V ) x[1...n] 0 // 解向量 (空背包) W0 W // 背包的当前承重量 V 0 // 背包中物品总价值 MergeSort (v[1...n] / w[1...n]) // 排序(降序)：价值/重量 for ( i 1 to n) do // n个物品循环 if ( w[i ] W0 ) then // 未超重 x[i ] 1 // 整个装入背包：xi = 1 // 背包当前承重量减小 W0 W0 w[i ] // 物品价值记入总价值 V V v[i ] // 物品超重：放入一部分 else x[i ] W0 / w[i ], V V x[ i ] * v[i ] break return V
20:42
23／28
背包问题的数学模型（优化模型）
目标函数
max f ( x ) vk xk
k 1
n
约束条件 0-1 背包 连续背包
w x
k 1 k
n
k
W
n 个物品： 重量: (w1, ..., wn) 价值 : (v1, ..., vn)
背包承重量 : W 物品 k 放入背包的 比例系数: xk
20:42
6 5