贪心算法的应用
贪心算法在优化问题中的运用
贪心算法在优化问题中的运用贪心算法（Greedy Algorithm）是一种常用的算法思想，它在解决一些优化问题时具有很高的效率和实用性。
贪心算法的核心思想是每一步都选择当前状态下最优的解决方案，以期望最终能够得到全局最优解。
在实际应用中，贪心算法常常被用来解决一些最优化问题，如最短路径问题、背包问题、任务调度等。
本文将介绍贪心算法在优化问题中的运用，并通过具体案例来说明其应用场景和解决方法。
一、贪心算法的基本原理贪心算法是一种在每一步选择当前状态下最优解决方案的算法思想。
它与动态规划不同，贪心算法并不会保存之前的计算结果，而是根据当前状态做出最优选择。
贪心算法的优势在于简单、高效，适用于一些特定类型的问题。
贪心算法的基本原理可以总结为以下几点：1. 每一步都选择当前状态下的最优解决方案；2. 不考虑未来的结果，只关注当前状态的最优选择；3. 最终期望通过每一步的最优选择达到全局最优解。
二、贪心算法在优化问题中的应用1. 最短路径问题最短路径问题是图论中的经典问题，贪心算法可以用来解决一些简单的最短路径问题。
例如，在无权图中，从起点到终点的最短路径可以通过贪心算法来求解，每次选择距离最近的节点作为下一步的目标节点，直到到达终点为止。
2. 背包问题背包问题是一个经典的优化问题，贪心算法可以用来解决一些特定类型的背包问题。
例如，在分数背包问题中，每种物品可以取任意比例，贪心算法可以按照单位价值最高的顺序选择物品放入背包，直到背包装满为止。
3. 任务调度问题任务调度问题是一个常见的优化问题，贪心算法可以用来解决一些简单的任务调度问题。
例如，在单处理器任务调度中，每个任务有一个开始时间和结束时间，贪心算法可以按照结束时间的先后顺序对任务进行调度，以最大化处理器的利用率。
三、案例分析：活动选择问题活动选择问题是一个经典的优化问题，通过贪心算法可以高效地解决。
问题描述如下：假设有n个活动，每个活动都有一个开始时间和结束时间，活动之间不能交叉进行，问如何安排活动才能使参加的活动数量最多。
贪心算法原理及应用
贪心算法原理及应用随着人工智能技术的不断发展，算法的种类也越来越多，其中贪心算法作为一种最基础的算法，也在不断优化和升级。
本文将简要介绍贪心算法原理及其应用，探讨贪心算法的优劣和适用场景。
一、贪心算法原理贪心算法是一种常见的优化算法，它的基本思想是：在每一步选择中都采取当前状态下最优的选择，从而希望最终得到全局最优的解。
贪心算法在每一步选择中都依赖于以前的选择结果，但不依赖于将来的选择结果。
这种贪心选择性质是该算法能达到最终全局最优解的保证。
然而，即使每个局部最优的选择都是正确的，但最终的全局最优解并不一定会得到，因此贪心算法不一定能得到全局最优解，但是在实际问题中，贪心算法通常可以得到非常接近最优解的结果。
二、贪心算法应用1.最小生成树最小生成树是图论中的一个经典算法问题，它可以用贪心算法来解决。
在给定一个带权无向图时，我们需要找到一棵生成树，使得生成树所有边的权值之和最小。
Prim算法和Kruskal算法都是基于这一思想建立的。
2.背包问题背包问题是一种经典的动态规划问题，也可以用贪心算法来解决。
在背包问题中，我们需要找到一种最佳的方案，使得放入背包的物品的总价值最大。
3.活动安排在一组活动中，每个活动都有一个开始时间和结束时间。
如何安排这些活动，使得可以安排的最多？可以用贪心算法进行解决。
三、贪心算法的优劣1.优点优点是：简单，易于实现；对于一些问题可以快速得到答案。
2.缺点缺点是：贪心算法不能保证得到全局最优解，只能得到最终结果接近最优解的结果。
在一些问题中会出现无解的情况。
此外，贪心算法需要根据实际问题进行调整，否则可能会得到错误的答案。
3.适用场景对于一些特殊的问题，贪心算法通常可以得到非常好的效果。
例如上文提到的最小生成树、背包问题和活动安排等等。
在这些问题中，贪心算法可以得到接近最优解的结果。
但是，在一些问题中，贪心算法的结果会偏离真实结果。
四、结语贪心算法是一种简单而实用的算法，它在很多实际问题中都有广泛的应用。
多机调度问题贪心算法c语言
多机调度问题贪心算法c语言一、引言多机调度问题是指将一组作业分配给多台机器，使得完成所有作业的时间最短。
在实际生产中，多机调度问题是一个常见的优化问题。
贪心算法是解决多机调度问题的一种有效方法。
本文将介绍贪心算法在C语言中的应用。
二、问题描述假设有n个作业需要分配给m台机器进行加工处理，每个作业需要的时间不同，每台机器的处理速度也不同。
现在需要设计一个算法，将这些作业分配给这些机器进行加工处理，并使得完成所有作业所需时间最短。
三、贪心算法思路贪心算法是一种基于局部最优解来构造全局最优解的思想。
对于多机调度问题，我们可以采用以下贪心策略：1. 将所有作业按照所需时间从大到小排序；2. 将第一个作业分配给第一台机器；3. 对于剩余的作业，选择当前处理时间最短的那台机器进行分配；4. 重复步骤3直到所有作业都被分配完毕。
四、C语言实现下面是C语言实现多机调度问题贪心算法的代码：#include <stdio.h>#include <stdlib.h>#define MAX_JOB 1000#define MAX_MACHINE 1000int cmp(const void *a, const void *b) {return *(int *)b - *(int *)a;}int main() {int n, m, job[MAX_JOB], machine[MAX_MACHINE] = {0}; scanf("%d%d", &n, &m);for (int i = 0; i < n; i++) {scanf("%d", &job[i]);}qsort(job, n, sizeof(int), cmp);for (int i = 0; i < n; i++) {int min_time = machine[0], min_index = 0;for (int j = 1; j < m; j++) {if (machine[j] < min_time) { min_time = machine[j]; min_index = j;}}machine[min_index] += job[i]; }int max_time = machine[0];for (int i = 1; i < m; i++) {if (machine[i] > max_time) { max_time = machine[i];}}printf("%d\n", max_time);return 0;}五、代码解析1. 宏定义和头文件引入：```#define MAX_JOB 1000#define MAX_MACHINE 1000#include <stdio.h>#include <stdlib.h>```定义了最大作业数和最大机器数，并引入了标准输入输出库和标准库。
贪心算法通过每次选择局部最优解来达到全局最优
贪心算法通过每次选择局部最优解来达到全局最优贪心算法是一种常用的解决优化问题的算法。
它通过每次选择局部最优解来达到全局最优的目标。
在本文中，我们将介绍贪心算法的原理、应用场景以及优缺点。
一、原理贪心算法的基本原理非常简单：每一步都选择当前状态下的局部最优解，最终得到的结果就是全局最优解。
贪心算法不考虑过去的选择对未来的影响，只关注眼前的最佳选择。
二、应用场景贪心算法在各个领域都有广泛的应用，下面我们将以几个常见的实际问题来说明。
1. 图的最小生成树问题在一个连通无向图中，找到一个包含所有节点且权值最小的无回路子图，这个问题称为最小生成树问题。
贪心算法可以通过每次选择权值最小的边来逐步构建最小生成树。
2. 分糖果问题有一组孩子和一组糖果，每个孩子有一个需求因子和每个糖果有一个大小。
当糖果的大小不小于孩子的需求因子时，孩子可以获得该糖果。
目标是尽可能多地满足孩子的需求，贪心算法可以通过给每个孩子分配满足其需求因子的最小糖果来达到最优解。
3. 区间调度问题给定一个任务列表，每个任务有一个开始时间和结束时间。
目标是安排任务的执行顺序，使得尽可能多的任务能够被完成。
贪心算法可以通过选择结束时间最早的任务来实现最优解。
以上只是一些贪心算法的应用场景，实际上贪心算法可以用于解决各种优化问题。
三、优缺点1. 优点①简单：贪心算法的思路相对简单，容易理解和实现。
②高效：由于只考虑局部最优解，贪心算法的时间复杂度较低，通常能够在较短的时间内得到一个接近最优解的结果。
③可用于近似求解：由于贪心算法不保证得到全局最优解，但可以用于求解近似最优解的问题。
2. 缺点①不保证全局最优解：贪心算法只考虑眼前的最优选择，无法回溯和修正过去的选择，因此不能保证得到全局最优解。
②局部最优解无法转移：在某些情况下，局部最优解并不一定能够转移到全局最优解，导致贪心算法得到的结果偏离最优解。
③对问题的要求较高：由于贪心算法需要找到适合的局部最优解，因此问题必须具备一定的特殊性，而一些问题无法使用贪心算法解决。
贪心算法对于NP完全问题的应用
贪心算法对于NP完全问题的应用贪心算法是一种常用的算法思想，在很多问题中具有很高的实用性和效率，然而，对于一些高难度的问题，如NP完全问题，贪心算法能否起到很好的应用呢？本文将从贪心算法的基本思想、NP完全问题的定义和特点、以及贪心算法在NP完全问题中的应用方面进行探讨。
一、贪心算法的基本思想贪心算法是一种具体的算法设计思想，是将问题分解为若干个子问题，通过每次选择最优的解决方案，最终得到全局最优解的算法。
贪心算法通常具有如下特征：（1）贪心选择性质：所采取的选取方案必须是具有最优子结构的，即选择一定范围内的最优子问题；（2）无后效性：当前选择与之后的选择无关，即之前做出的选择只关心当前的最优解，而不管之后的怎样变化；（3）子问题的无关性：所作选择只与当前状态有关，与之前或之后状态无关，不受外界干扰。
贪心算法具有较高的效率，并具有通用性，常用于需要快速求解问题的场合。
二、NP完全问题的定义和特点NP问题（Non-deterministic Polynomial problem）是指在多项式时间内验证最优解，但需要超出多项式时间才能找到对应解的问题，这类问题有较高的计算复杂度。
NP完全问题则更具难度，是指所有NP算法都能在多项式时间内进行验证，但却无法在多项式时间内求解的问题。
NP完全问题的典型代表有旅行商问题、背包问题、图着色问题等。
NP完全问题具有以下特点：（1）时间复杂度高；（2）问题规模较大；（3）难以构建正确且高效的算法解决。
三、贪心算法在NP完全问题中的应用贪心算法在NP完全问题中的应用具有一定的限制，部分NP 完全问题不适合使用贪心算法进行求解。
但是，对于一些特定的NP完全问题，贪心算法仍然具有明显的优势，可以实现较高效率和较好表现。
以下是一些贪心算法在NP完全问题中的应用实例：（1）最小生成树问题：该问题即求解一个图的最小生成树。
通过Kruskal算法或Prim算法，使用贪心策略选择当前最短边或顶点，即可快速求解。
贪心算法 思政案例
贪心算法思政案例贪心算法是一种常用的解决问题的算法思想，通过每一步的局部最优选择来达到全局最优解。
它通常适用于那些可以通过局部最优选择得到全局最优解的问题。
在思政教育中，贪心算法可以应用于一些案例，通过贪心选择策略来解决问题，提高学生的思政学习效果。
以下是一些与思政教育相关的案例和参考内容，以帮助学生理解贪心算法的应用：案例一：社会责任感的培养在大学生思政教育中，社会责任感是一个重要的素养。
如何培养学生的社会责任感成为教育者关注的问题。
可以构建一个案例：一个学生义工组织查找需要帮助的社区，为每个社区评估一个“帮助指数”，指数高的社区需求多、有困难的帮助，指数低的社区需求少、相对容易帮助。
学生义工组织制定帮助计划时可以利用贪心算法，优先选择帮助指数高的社区，以更有效地发挥有限的义工资源。
参考内容：介绍贪心算法的基本思想，并解释为什么在这个案例中可以适用贪心算法。
同时，提供帮助指数的评判标准和算法设计思路，提醒学生在贪心选择中需综合考虑社区的实际情况和需求。
案例二：环保意识的提升环保意识的培养是思政教育的重要目标之一。
可以设计一个案例：一个学生组织参与清洁行动，清洁的地点有多个，每个地点的垃圾数量不同，清理的难度也不同。
学生组织在制定清理计划时可以采用贪心算法，优先选择垃圾数量多、清理难度小的地点，以达到更好的清洁效果。
参考内容：介绍贪心算法的基本思想，并解释为什么在这个案例中可以适用贪心算法。
对垃圾数量和清理难度的评判标准进行讨论，提醒学生在贪心选择中需综合考虑清洁的实际情况和效果。
案例三：公共资源的分配公共资源的分配是一个重要的社会问题，如何合理分配公共资源是一个关键的决策。
可以构建一个案例：一个学生班级需要安排课外活动，但有限的经费和场地需要合理分配。
学生班级可以利用贪心算法，优先选择经费多、场地条件好的活动方式，以保证活动的质量和效果。
参考内容：介绍贪心算法的基本思想，并解释为什么在这个案例中可以适用贪心算法。
贪心算法的应用案例
贪心算法的应用案例贪心算法是一种简单直观的算法策略，用于解决一些优化问题。
它的基本思想是在每一步选择中都选择当前状态下的最优解，以期望最终达到全局最优解。
本文将通过几个具体的应用案例来展示贪心算法的实际应用。
1. 最小生成树问题最小生成树问题是图论中经典的问题之一，主要涉及到如何在一个连通加权无向图中找到一个包含所有顶点且权重最小的树。
其中，贪心算法的应用使得问题的解决更加高效。
例如，我们有一个城市网络，城市之间的距离用边的权重表示，我们希望在城市之间建立最小的铁路网络以确保每个城市都能够连通。
这可以转化为一个最小生成树问题，其中贪心算法通过选择权重最小的边，快速找到最优解。
2. 零钱兑换问题零钱兑换问题是一个经典的动态规划问题，但同样可以使用贪心算法来解决。
给定一定面值的硬币，我们需要找零某个金额的钱，求出所需硬币的最少数量。
贪心算法解决这个问题的思路是，每次选择价值最大的硬币，直到凑够所需的金额。
这样可以保证得到的结果是最优解。
例如，假设我们有面值为[1, 5, 10, 25]的硬币，需要凑够30美分，贪心算法会优先选择25美分硬币，然后再选择5美分硬币，最后选择1美分硬币，总共需要三枚硬币。
贪心算法快速获得了最优解。
3. 区间调度问题区间调度问题是一类经典的贪心算法问题，主要涉及到如何在一组任务中选择最大数量的相容任务。
每个任务都有一个开始时间和结束时间，任务之间不能同时进行，我们需要找到最大数量的任务能够不发生冲突地进行。
贪心算法解决这个问题的思路是，每次选择结束时间最早的任务，然后排除与其冲突的任务，直到没有任务可选为止。
这样就能够保证选择的任务最多且不发生冲突。
例如，假设我们有以下任务与其对应的开始时间和结束时间：A(1, 4)，B(3, 6)，C(5, 7)。
贪心算法会先选择A(1, 4)，然后排除与其冲突的任务B(3, 6)，最后剩下任务C(5, 7)。
贪心算法得到了最大数量的相容任务。
电子信息技术中的算法设计方法
电子信息技术中的算法设计方法随着科技的不断发展，电子信息技术已经成为现代社会不可或缺的一部分。
而算法作为电子信息技术的核心组成部分，负责处理和解决各种问题，具有重要的意义。
本文将介绍电子信息技术中常见的算法设计方法和其应用。
一、贪心算法贪心算法是一种高效且易于实现的算法设计方法，在电子信息技术中得到了广泛的应用。
其核心思想是通过每一步的最优解来构建最终的解。
贪心算法通常适用于最优化问题，如最短路径、最小生成树等。
以Dijkstra算法为例，该算法通过不断选择当前路径上权值最小的节点来构建最短路径树，以解决从起点到其余节点的最短路径问题。
二、动态规划算法动态规划算法是解决最优化问题的一种常见算法设计方法。
它通过将问题划分为一系列子问题，并找到它们之间的递推关系来求解。
动态规划算法在电子信息技术中的应用非常广泛，如图像处理、语音识别等。
以最长公共子序列（LCS）问题为例，该问题需要找到两个序列中的最长公共部分，可以通过动态规划算法实现。
三、回溯算法回溯算法是一种穷举搜索的算法设计方法，它通过逐步构建解空间并进行试错操作，最终找到满足条件的解。
回溯算法在电子信息技术中的应用包括人工智能、图像处理等领域。
以八皇后问题为例，该问题需要在8×8的棋盘上放置八个皇后，使得它们互相之间不能互相攻击。
回溯算法可以通过穷举搜索的方式找到所有可能的解。
四、分治算法分治算法是将问题拆分为更小而相互独立的子问题，然后将子问题的解合并起来得到原问题的解。
分治算法在电子信息技术中的应用很广泛，如排序算法、信号处理等。
以归并排序为例，该算法将待排序序列拆分为两个子序列，分别进行排序后再进行合并，以实现整个序列的排序。
五、遗传算法遗传算法是一种模拟自然界遗传机制的优化算法，通过模拟进化过程来寻找问题的近似最优解。
遗传算法在电子信息技术中的应用包括优化问题、人工智能等领域。
以人工神经网络的训练为例，遗传算法可以通过不断迭代和进化来寻找最佳的网络参数，以优化网络的性能。
- 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)。
从贪心算法的定义可以看出，贪心法并不是从整体上考虑问题，它所做出的选择只是在某种意义上的局部最优解，而由问题自身的特性决定了该题运用贪心算法可以得到最优解。
我们看看下面的例子例1 均分纸牌（NOIP2002tg）[问题描述] 有 N 堆纸牌，编号分别为 1，2，…, N。
每堆上有若干张，但纸牌总数必为 N 的倍数。
可以在任一堆上取若干张纸牌，然后移动。
移牌规则为：在编号为 1 堆上取的纸牌，只能移到编号为 2 的堆上；在编号为 N 的堆上取的纸牌，只能移到编号为 N-1 的堆上；其他堆上取的纸牌，可以移到相邻左边或右边的堆上。
现在要求找出一种移动方法，用最少的移动次数使每堆上纸牌数都一样多。
例如 N=4，4 堆纸牌数分别为：①9 ②8 ③17 ④6移动3次可达到目的：从③取 4 张牌放到④（9 8 13 10） -> 从③取 3 张牌放到②（9 11 10 10）-> 从②取 1 张牌放到①（10 10 10 10）。
[输入]：键盘输入文件名。
文件格式：N（N 堆纸牌，1 <= N <= 100）A1 A2 … An （N 堆纸牌，每堆纸牌初始数，l<= Ai <=10000）[输出]：输出至屏幕。
格式为：所有堆均达到相等时的最少移动次数。
[输入输出样例]：49 8 17 6屏慕显示：3算法分析：设a[i]为第i堆纸牌的张数（0<=i<=n），v为均分后每堆纸牌的张数，s为最小移到次数。
我们用贪心法，按照从左到右的顺序移动纸牌。
如第i堆(0<i<n)的纸牌数a[i]不等于平均值，则移动一次(即s加1)，分两种情况移动：（1）若a[i]>v，则将a[i]-v张纸牌从第I堆移动到第I+1堆；（2）若a[i]<v，则将v -a[i]张纸牌从第I+1堆移动到第I堆；为了设计的方便，我们把这两种情况统一看作是将a[I]-v张牌从第I堆移动到第I+1堆；移动后有：a[I]:=v；a[I+1]:=a[I+1]+a[I]-v；在从第i+1堆中取出纸牌补充第i堆的过程中，可能会出现第i+1堆的纸牌数小于零(a[i+1]+a[i]-v<0 )的情况。
如n=3，三堆纸牌数为（1，2，27）这时v=10，为了使第一堆数为10，要从第二堆移9张纸牌到第一堆，而第二堆只有2张纸牌可移，这是不是意味着刚才使用的贪心法是错误的呢？我们继续按规则分析移牌过程，从第二堆移出9张到第一堆后，第一堆有10张纸牌，第二堆剩下-7张纸牌，再从第三堆移动17张到第二堆，刚好三堆纸牌数都是10，最后结果是对的，从第二堆移出的牌都可以从第三堆得到。
我们在移动过程中，只是改变了移动的顺序，而移动的次数不变，因此此题使用贪心法是可行的。
源程序：vari,n,s:integer;v:longint;a:array[1..100]of longint;f:text;fil:string;beginreadln(fil);assign(f,fil);reset(f);readln(f,n);v:=0;for i:=1 to n do beginread(f,a[i]); inc(v,a[i]);end;v:=v div n; {每堆牌的平均数}for i:=1 to n-1 doif a[i]<>v then {贪心选择}begininc(s);{移牌步数计数}a[i+1]:=a[i+1]+a[i]-v;{使第i堆牌数为v}end;{then}writeln(s);end.利用贪心算法解题，需要解决两个问题：一是问题是否适合用贪心法求解。
我们看一个找币的例子,如果一个货币系统有3种币值,面值分别为一角、五分和一分，求最小找币数时，可以用贪心法求解；如果将这三种币值改为一角一分、五分和一分，就不能使用贪心法求解。
用贪心法解题很方便，但它的适用范围很小，判断一个问题是否适合用贪心法求解，目前还没有一个通用的方法，在信息学竞赛中，需要凭个人的经验来判断何时该使用贪心算法。
二是确定了可以用贪心算法之后，如何选择一个贪心标准，才能保证得到问题的最优解。
在选择贪心标准时，我们要对所选的贪心标准进行验证才能使用，不要被表面上看似正确的贪心标准所迷惑，如下面的列子。
例2 （NOIP1998tg）设有n个正整数，将他们连接成一排，组成一个最大的多位整数。
例如:n=3时，3个整数13,312,343,连成的最大整数为:又如:n=4时,4个整数7,13,4,246连接成的最大整数为7424613输入：NN个数输出:连接成的多位数算法分析：此题很容易想到使用贪心法，在考试时有很多同学把整数按从大到小的顺序连接起来，测试题目的例子也都符合，但最后测试的结果却不全对。
按这种贪心标准，我们很容易找到反例：12，121 应该组成12121而非12112,那么是不是相互包含的时候就从小到大呢？也不一定，如：12，123 就是12312而非12112,这样情况就有很多种了。
是不是此题不能用贪心法呢？其实此题是可以用贪心法来求解，只是刚才的贪心标准不对，正确的贪心标准是：先把整数化成字符串，然后再比较a+b和b+a，如果a+b>b+a，就把a排在b的前面，反之则把a排在b的后面。
源程序：vars:array[1..20] of string;t:string;i,j,k,n:longint;beginreadln(n);for i:=1 to n do beginread(k);str(k,s[i]);end;for i:=1 to n-1 dofor j:=i+1 to n doif s[i]+s[j]<s[j]+s[i] thenbegin{交换}t:=s[i];s[i]:=s[j];s[j]:=t;end;for i:=1 to n do write(s[i]);end.贪心算法所作的选择可以依赖于以往所作过的选择，但决不依赖于将来的选择，也不依赖于子问题的解，因此贪心算法与其它算法相比具有一定的速度优势。
如果一个问题可以同时用几种方法解决，贪心算法应该是最好的选择之一。
贪心算法经典例子(2009-07-15 10:17:04)标签：贪心算法背包问题it分类：简单算法一、定义什么是贪心算法呢？所谓贪心算法是指，在对问题求解时，总是做出在当前看来最好的选择。
也就是说，不从整体最优解出发来考虑，它所做出的仅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，但对范围相当广泛的许多问题都能产生整体最优解或整体最优解的近似解。
贪心算法的基本思路如下：1.建立数学模型来描述问题。
2.把求解的问题分成若干个子问题。
3.对每个子问题求解，得到每个子问题的局部最优解。
4.把每个子问题的局部最优解合成为原来问题的一个解。
实现该算法的过程：从问题的某一初始状态出发；while 能朝给定总目标前进一步 do求出可行解的一个解元素；由所有解元素组合成问题的一个可行解；二、例题分析[背包问题]有一个背包，背包容量是M=150。
有7个物品，物品可以分割成任意大小。
要求尽可能让装入背包中的物品总价值最大，但不能超过总容量。
物品 A B C D E F G重量 35 30 60 50 40 10 25价值 10 40 30 50 35 40 30记得当时学算法的时候，就是这个例子，可以说很经典。
分析：目标函数：∑pi最大约束条件是装入的物品总重量不超过背包容量，即∑wi<=M( M=150)（1）根据贪心的策略，每次挑选价值最大的物品装入背包，得到的结果是否最优？（2）每次挑选所占重量最小的物品装入是否能得到最优解？（3）每次选取单位重量价值最大的物品，成为解本题的策略?贪心算法是很常见的算法之一，这是由于它简单易行，构造贪心策略简单。
但是，它需要证明后才能真正运用到题目的算法中。
一般来说，贪心算法的证明围绕着整个问题的最优解一定由在贪心策略中存在的子问题的最优解得来的。
对于本例题中的3种贪心策略，都无法成立，即无法被证明，解释如下：（1）贪心策略：选取价值最大者。
反例：W=30物品：A B C重量：28 12 12价值：30 20 20根据策略，首先选取物品A，接下来就无法再选取了，可是，选取B、C则更好。
（2）贪心策略：选取重量最小。
它的反例与第一种策略的反例差不多。
（3）贪心策略：选取单位重量价值最大的物品。
反例：W=30物品：A B C重量：28 20 10价值：28 20 10根据策略，三种物品单位重量价值一样，程序无法依据现有策略作出判断，如果选择A，则答案错误。
值得注意的是，贪心算法并不是完全不可以使用，贪心策略一旦经过证明成立后，它就是一种高效的算法。
比如，求最小生成树的Prim算法和Kruskal算法都是漂亮的贪心算法。
［均分纸牌］有N堆纸牌，编号分别为1，2，…，n。
每堆上有若干张,但纸牌总数必为n的倍数.可以在任一堆上取若干张纸牌,然后移动。
移牌的规则为：在编号为1上取的纸牌，只能移到编号为2的堆上；在编号为n的堆上取的纸牌，只能移到编号为n-1的堆上；其他堆上取的纸牌，可以移到相邻左边或右边的堆上。
现在要求找出一种移动方法，用最少的移动次数使每堆上纸牌数都一样多。
例如：n=4，4堆纸牌分别为：① 9 ② 8 ③ 17 ④ 6 移动三次可以达到目的：从③取4张牌放到④再从③区3张放到②然后从②去1张放到①。
输入输出样例：49 8 17 6屏幕显示：3算法分析：设a[i]为第I堆纸牌的张数（0<=I<=n），v为均分后每堆纸牌的张数，s 为最小移动次数。
我们用贪心算法，按照从左到右的顺序移动纸牌。
如第I堆的纸牌数不等于平均值，则移动一次（即s加1），分两种情况移动：1．若a[i]>v，则将a[i]-v张从第I堆移动到第I+1堆；2．若a[i]<v，则将v-a[i]张从第I+1堆移动到第I堆。
为了设计的方便，我们把这两种情况统一看作是将a[i]-v从第I堆移动到第I+1堆，移动后有a[i]=v; a[I+1]=a[I+1]+a[i]-v.在从第I+1堆取出纸牌补充第I堆的过程中可能回出现第I+1堆的纸牌小于零的情况。
如n=3，三堆指派数为1 2 27 ，这时v=10，为了使第一堆为10，要从第二堆移9张到第一堆，而第二堆只有2张可以移，这是不是意味着刚才使用贪心法是错误的呢？我们继续按规则分析移牌过程，从第二堆移出9张到第一堆后，第一堆有10张，第二堆剩下-7张，在从第三堆移动17张到第二堆，刚好三堆纸牌都是10，最后结果是对的，我们在移动过程中，只是改变了移动的顺序，而移动次数不便，因此此题使用贪心法可行的。