贪心算法
贪心算法的贪心选择策略
贪心算法的贪心选择策略简介：贪心算法是一种常用的求解优化问题的算法思想，它通过每一步选择当前最优解来达到整体最优解，但贪心算法并不保证能够得到全局最优解。
这里我们将重点探讨贪心算法中的贪心选择策略，即在每一步中如何选择最优解。
一、贪心选择策略的定义贪心算法的核心在于贪心选择策略，即在每一步中，通过贪心的方式选择当前最优解。
贪心选择策略基于以下两个基本要素：1. 最优子结构：问题的最优解包含子问题的最优解。
2. 贪心选择性质：通过贪心选择策略，可以得到问题的最优解。
二、贪心选择策略的应用场景贪心算法适用于具有贪心选择性质的问题，即通过贪心选择策略可以得到问题的最优解。
以下是几个常见的应用场景：1. 区间调度问题：给定n个活动的开始时间和结束时间，要求选择出不相交的最多活动集合。
贪心算法选择结束时间最早的活动作为当前的最优解，并在此基础上进行递归调用。
2. 钱币找零问题：假设我们有几种不同面额的硬币，如1、5、10、20，我们要找零m元，如何选择硬币数量最少的方案。
贪心算法选择面额最大的硬币作为当前的最优解，并在此基础上进行递归调用。
3. 背包问题：给定n个物体的重量和价值，要求在限定的背包容量下选择一些物体，使得其总价值最大。
贪心算法可以选择单位重量价值最高的物体作为当前的最优解，并在此基础上进行递归调用。
三、贪心选择策略的实现步骤贪心选择策略的实现分为以下步骤：1. 确定问题的贪心选择策略：根据具体问题的特点，选择适合的贪心选择策略。
2. 构造问题的最优解：根据贪心选择策略，选择当前最优解，并将其添加到问题的最优解集合中。
3. 缩小问题规模：根据当前选择的最优解，更新原始问题，并缩小问题的规模。
4. 递归调用：对更新后的问题进行递归调用，直到得到问题的最优解。
四、贪心选择策略的优缺点贪心算法具有以下优点：1. 算法简单、易于实现。
2. 在某些情况下，可以快速求得问题的近似最优解。
3. 对于一些特定问题，贪心算法可以得到正确的最优解。
贪心算法流程图
贪心算法流程图贪心算法是一种在每一步选择中都采取当前状态下最优决策的算法，以期望能够获得全局最优解。
在实际应用中，贪心算法通常用来解决最优化问题，比如最小生成树、哈夫曼编码等。
贪心算法的流程图可以帮助我们更直观地理解其工作原理和实现过程。
首先，我们来看一下贪心算法的流程图。
在图中，首先我们需要确定问题的解空间，然后根据问题的特点选择合适的贪心策略。
接着，我们需要确定每一步的最优选择，并且不断更新当前状态，直到达到最优解或者无法继续优化为止。
在实际应用中，贪心算法的流程图可以根据具体问题的特点进行调整和优化。
下面我们以一个简单的例子来说明贪心算法的流程图。
假设现在有一组活动，每个活动都有一个开始时间和结束时间，我们希望安排尽可能多的活动，使得它们之间不会相互冲突。
这个问题可以用贪心算法来解决。
首先，我们需要对活动按照结束时间进行排序，然后从第一个活动开始，依次检查每个活动的开始时间是否晚于上一个活动的结束时间。
如果是，则将该活动加入最优解集合中，并更新当前状态。
如果不是，则将该活动舍弃。
通过这样的贪心策略，我们可以得到安排最多活动的最优解。
整个流程可以用一个简单的流程图来表示，从而更直观地理解贪心算法的工作原理。
贪心算法的流程图不仅可以帮助我们理解算法的实现过程，还可以指导我们在实际应用中进行调整和优化。
通过对问题解空间的划分和贪心策略的选择，我们可以更快地找到最优解，提高算法的效率和性能。
总之，贪心算法的流程图是我们理解和应用贪心算法的重要工具，它可以帮助我们更直观地理解算法的工作原理，指导我们进行问题求解和算法优化。
希望通过本文的介绍，读者能对贪心算法有一个更深入的理解，并在实际应用中取得更好的效果。
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。
贪心算法求解最优解问题
贪心算法求解最优解问题贪心算法是计算机科学领域中常用的一种算法。
它常常被用来求解最优解问题，如背包问题、最小生成树问题、最短路径问题等。
贪心算法解决最优解问题的基本思路是，每一步都选取当前状态下最优的解决方案，直到达到全局最优解。
在这篇文章中，我们将为大家深入探讨贪心算法求解最优解问题的基本思路、算法复杂度和应用场景等方面的知识。
基本思路贪心算法是一种基于贪心策略的算法。
其核心思想是，每一步都采用当前最优策略，以期最终达到全局最优解。
在贪心算法中，每个子问题的最优解一般都是由上一个子问题的最优解推导出来的。
因此，关键在于如何找到最优解。
具体而言，贪心算法一般由三部分组成，分别为：状态、选择和判断。
首先，需要明确当前问题的状态，即问题的规模和限制条件。
然后，在当前的限制条件下，我们需要从可能的方案中选择出最优的方案，并把这个选择作为解的一部分。
最后，需要判断选择是否符合问题的限制条件，是否达到全局最优解。
算法复杂度在进行算法分析时，我们需要考虑算法的时间复杂度和空间复杂度。
对于贪心算法而言，其时间复杂度一般是 O(nlogn) 或 O(n) 级别的，其中 n 表示问题的规模。
这种效率在实际应用中表现出了很高的稳定性和效率。
应用场景贪心算法通常应用于需要求解最优解问题的场景中。
例如：- 贪心算法可以用来求解背包问题。
在背包问题中，我们需要在限定的空间内选取最有价值的物品装入背包中以努力获得最大的收益。
在贪心策略下，我们只需要按单位重量价值从大到小的顺序进行选择，就可以得到最优解；- 贪心算法也可以用来求解最小生成树问题。
这个问题是指，在给定一个图的时候，我们需要选出一棵生成树，使得生成树上的所有边权之和最小。
在此问题中，我们可以将图上的边权按大小排序，然后顺序选择边直至生成树。
这样，我们可以得到与全局最优解很接近的解；- 贪心算法还可以用来求解最短路径问题。
在最短路径问题中，我们需要找到从一个节点到另一个节点的最短路径。
贪心算法知识点总结
贪心算法知识点总结1. 基本原理贪心算法的基本原理是每一步都选择当前状态下的最优解，以期望最终得到全局最优解。
具体来说，贪心算法通常可以分为以下几个步骤：1）从问题的某个初始解出发2）采用一种迭代的方式，逐步将初始解进行优化3）每一步都是基于当前状态的最优选择来进行优化4）直到无法再进行优化，得到问题的最优解由于贪心算法每一步都要选择局部最优解，因此贪心算法通常具有高效性。
然而，贪心算法并不适用于所有问题，其结果不一定是全局最优解。
因此，在使用贪心算法时需要注意问题的特性和约束条件，以免得到错误的结果。
2. 适用情况贪心算法通常适用于满足以下条件的问题：1）问题的最优解满足“最优子结构”性质：即问题的最优解包含了其子问题的最优解2）问题的求解过程具有“贪心选择性”：即每一步都选择当前状态下的最优解，并不需要考虑未来的后果3）问题的约束条件可以通过局部最优选择满足全局最优解：即问题的解空间中存在一些局部最优解，可以通过一系列的局部最优解构建全局最优解在实际应用中，贪心算法通常用于求解最优化问题，如最小生成树、最短路径、任务调度等问题。
由于贪心算法的高效性，它通常能够在较短的时间内得到较为接近最优解的结果。
然而，贪心算法并不适用于所有问题，对于一些问题，贪心算法将得到错误的结果。
因此，在使用贪心算法时需要谨慎选择问题类型和约束条件，以避免错误的结果。
3. 贪心算法实例在下面的部分，我们将介绍一些常见的贪心算法实例，包括背包问题、活动安排问题、霍夫曼编码等。
3.1 背包问题背包问题是一个经典的优化问题，它包括0-1背包问题、分数背包问题等多种类型。
在0-1背包问题中，给定n种物品和一个容量为C的背包，每种物品i的重量为w[i]，价值为v[i]，求在不超过背包容量的情况下，如何选择物品放入背包，可以使得背包中的总价值最大。
对于0-1背包问题，贪心算法通常不能得到最优解。
然而，在分数背包问题中，贪心算法通常可以得到近似的最优解。
生活中的常见算法
生活中的常见算法1. 贪心算法：在面对一个问题时，贪心算法总是选择当前看起来最优的解，而不考虑整体的最优解。
例如，我们在购物时常常会使用贪心算法来选择价格最低的商品，以达到最省钱的目的。
2. 分治算法：分治算法将一个复杂的问题分解为若干个相同或类似的子问题，然后逐个解决子问题，最后将子问题的解合并起来得到原问题的解。
例如，在做数学题时，我们经常使用分治算法将一个大的问题分解为多个小的问题，然后逐个解决，最后得到整个问题的解答。
3. 动态规划算法：动态规划算法是一种通过将问题分解为子问题，并保存子问题的解来解决问题的方法。
它通常用于求解具有最优子结构的问题，例如最短路径问题、背包问题等。
在生活中，动态规划算法可以应用于制定长期规划、优化资源分配等领域。
4. 搜索算法：搜索算法用于在一个数据集中查找特定的元素或解决特定的问题。
常见的搜索算法包括线性搜索、二分搜索、广度优先搜索和深度优先搜索等。
在生活中，我们常常使用搜索算法来寻找特定的信息，例如在网络上搜索资料、在电话簿中搜索联系人等。
5. 排序算法：排序算法是将一组元素按照特定的顺序排列的算法。
常见的排序算法包括冒泡排序、插入排序、选择排序、快速排序等。
在生活中，我们常常使用排序算法来对物品进行整理，例如整理书籍、整理文件等。
6. 图算法：图算法是用于解决与图相关的问题的算法。
图是由一组节点和连接这些节点的边组成的数据结构。
图算法可以用于解决最短路径问题、最小生成树问题等。
在生活中，图算法可以应用于社交网络分析、路线规划等领域。
7. 加密算法：加密算法是将信息转化为不可读的形式以保护信息安全的算法。
常见的加密算法包括对称加密算法和非对称加密算法。
在生活中，我们常常使用加密算法来保护个人隐私，例如在网上支付时使用的加密技术。
8. 线性规划算法：线性规划是一种用于求解线性优化问题的数学方法。
线性规划算法可以用于优化资源分配、生产计划等领域。
在生活中，线性规划算法可以应用于制定饮食计划、制定旅行路线等。
供应链管理中配送路线规划算法的使用教程
供应链管理中配送路线规划算法的使用教程随着电子商务的兴起和物流行业的快速发展，供应链管理中的配送路线规划算法变得尤为重要。
准确的配送路线规划能够提高物流效率，降低成本，为企业节约时间和资源。
本文将介绍供应链管理中常用的一些配送路线规划算法，并详细说明它们的使用教程。
一、贪心算法贪心算法是一种简单而常用的算法，它在每一步都做出当前最优的选择，但并不保证全局最优解。
在配送路线规划中，贪心算法可以按照以下步骤进行：1.确定起点和终点：首先确定货物的起点和终点，通常是仓库和客户的地址。
2.计算距离矩阵：根据起点、终点和中间所有点的地址，计算出它们之间的距离矩阵。
3.选择最近邻居：从起点开始，选择距离最近的邻居作为下一个节点，将其添加到路径中。
4.更新路径和距离：将新节点添加到路径中，更新距离矩阵，重复步骤3，直到到达终点。
5.输出最优路径：输出路径和距离，路径即为货物的配送路线。
贪心算法的优点在于简单易懂，计算速度快。
然而，它的缺点是可能陷入局部最优解，不能保证得到最优的配送路线。
二、遗传算法遗传算法是一种模拟自然界进化过程的启发式优化算法。
在配送路线规划中，遗传算法可以按照以下步骤进行：1.初始化种群：根据货物的起点和终点，随机生成初始解作为种群。
2.计算适应度：根据候选解的质量，计算每个解的适应度值，一般可以使用总路程作为适应度函数。
3.选择操作：根据适应度值，按照一定的选择策略选出优秀的个体作为父代。
4.交叉操作：通过交叉操作生成新的子代个体，将父代的染色体片段互换，并保留优秀的基因。
5.变异操作：对子代个体进行变异操作，引入新的基因，增加算法的搜索空间。
6.更新种群：将父代和子代个体结合，形成新的种群。
7.重复步骤3-6：重复执行3-6步骤，直到满足停止准则。
8.输出最优解：输出适应度最优的个体，作为货物的配送路线。
遗传算法的优点在于能够全局搜索和优化，有较高的收敛性和适应性。
然而，它的缺点是计算复杂度较高，需要耗费更多的时间和计算资源。
贪心算法的概念和适用条件
贪心算法的概念和适用条件什么是贪心算法？贪心算法（Greedy Algorithm）是一种以局部最优解为导向的算法思想，通过每一步选择当前状态下的最佳操作来达到整体最优解的目标。
贪心算法的核心思想是每次都做出当前看来最优的选择，以期望能够达到整体的最优解。
贪心算法通常用于一些问题中，即每一步的选择只依赖于当前状态，而不考虑将来可能出现的情况。
贪心算法的适用条件：1. 贪心选择性质：贪心算法每一步都选择一个当前的最优解，此处的“最优”指的是局部最优。
这种最优选择可以确保问题能够被拆解，并且进行下一步求解。
2. 最优子结构性质：当问题的整体最优解能够通过局部最优解得到时，可以采用贪心算法求解。
这种情况下，问题的最优解可以由子问题的最优解推导出来。
3. 无后效性：贪心算法选择某一步操作时，只考虑当前状态，不会改变以前的操作，并且不关心未来的操作。
这种无后效性使得贪心算法在实际应用中操作简单、效率高。
贪心算法的基本步骤：1. 确定问题的局部最优解：贪心算法的核心是每一步都选择在当前情况下的最优解。
因此，需要确定问题如何拆解以及如何进行局部最优选择。
2. 定义问题的子问题：根据问题的最优子结构性质，将问题拆解为较小规模的子问题。
子问题应该是原问题的一个更小、更简单的实例。
3. 定义贪心选择策略：根据问题的特性，确定当前步骤下的最优选择策略。
这个选择应该是局部最优的，可以在不考虑子问题和整体未来状态的情况下得出。
4. 重复执行步骤2和3，直至求解出全局最优解。
贪心算法的优缺点：贪心算法具有简单易懂、快速高效的特点，适用于许多实际问题。
它可以避免穷举所有可能性，节省了计算时间。
此外，贪心算法常常能够找到近似最优解，尽管不一定能够保证全局最优解。
在实际问题中，近似最优解也往往可以满足实际需求。
然而，贪心算法并非适用于所有问题。
由于贪心算法只考虑当前状态的最优选择，而不考虑未来的影响，因此可能会导致局部最优解与全局最优解不一致。
- 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)。
有人说贪心算法是最简单的算法，原因很简单：你我其实都很贪，根本不用学就知道怎么贪。
有人说贪心算法是最复杂的算法，原因也很简单：这世上会贪的人太多了，那轮到你我的份？贪心算法详解贪心算法思想：顾名思义，贪心算法总是作出在当前看来最好的选择。
也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。
当然，希望贪心算法得到的最终结果也是整体最优的。
虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。
如单源最短路经问题，最小生成树问题等。
在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。
贪心算法的基本要素：1.贪心选择性质。
所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择，即贪心选择来达到。
这是贪心算法可行的第一个基本要素，也是贪心算法与动态规划算法的主要区别。
动态规划算法通常以自底向上的方式解各子问题，而贪心算法则通常以自顶向下的方式进行，以迭代的方式作出相继的贪心选择，每作一次贪心选择就将所求问题简化为规模更小的子问题。
对于一个具体问题，要确定它是否具有贪心选择性质，必须证明每一步所作的贪心选择最终导致问题的整体最优解。
2. 当一个问题的最优解包含其子问题的最优解时，称此问题具有最优子结构性质。
问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。
贪心算法的基本思路：从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。
当达到算法中的某一步不能再继续前进时，算法停止。
该算法存在问题：1. 不能保证求得的最后解是最佳的；2. 不能用来求最大或最小解问题；3. 只能求满足某些约束条件的可行解的范围。
实现该算法的过程：从问题的某一初始解出发；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；用背包问题来介绍贪心算法：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分析如下目标函数：∑pi最大约束条件是装入的物品总重量不超过背包容量：∑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。
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。
贪心算法还是很常见的算法之一，这是由于它简单易行，构造贪心策略不是很困难。
可惜的是，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。
对于背包问题中的3种贪心策略，都是无法成立（无法被证明）的，解释如下：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。
但是果在条件中加一句当遇见单位价值相同的时候,优先装重量小的,这样的问题就可以解决.所以需要说明的是，贪心算法可以与随机化算法一起使用，具体的例子就不再多举了。
（因为这一类算法普及性不高，而且技术含量是非常高的，需要通过一些反例确定随机的对象是什么，随机程度如何，但也是不能保证完全正确，只能是极大的几率正确）。
网上对于这个装包问题的描述就就只有这些,但是在这里我还是要写一下,假设条件是什么?假设条件是上述几种反例的情况不存在的时候该如何求解:[cpp]view plain copyprint?1.#include <iostream>ing namespace std;3.4.struct Node5.{6.float weight;7.float value;8.bool mark;9.char char_mark;10.float pre_weight_value;11.};12.13.int main(int argc, char* argv[])14.{15.float Weight[7] = {35,30,60,50,40,15,20};16.float Value [7] = {10,40,30,50,35,40,30};17. Node array[7];18.for(int i=0; i<7; i++)19. {20. array[i].value = Value[i];21. array[i].weight = Weight[i];22. array[i].char_mark = 65 + i;23. array[i].mark = false;24. array[i].pre_weight_value = Value[i] / Weight[i];25. }26.27.for(i=0;i<7;i++)28. cout<<array[i].pre_weight_value<<" ";29. cout<<endl;30.31.float weight_all=0.0;32.float value_all = 0.0;33.float max = 0.0;34.char charArray[7];35.int flag,n = 0;36.37.while(weight_all <= 150)38. {39.for(int index=0;index < 7; ++index)40. {41.if(array[index].pre_weight_value > max && array[index].mark == false)42. {43. max = array[index].pre_weight_value ;44. flag = index;45. }46. }47.48. charArray[n++] = array[flag].char_mark;49. array[flag].mark = true;50. weight_all += array[flag].weight;51. value_all += array[flag].value;52. max = 0.0;53. }54.55.for(i=0;i<n-1;i++)56. cout<<charArray[i]<<" ";57. cout<<endl;58. cout<<"weight_all:"<<weight_all- array[n-1].weight<<endl;59. cout<<"value_all:"<<value_all<<endl;60.61. system("pause");62.return 0;63.}下面我要说的是，这个算法里面就是采用的贪心第三方案，一般这个方案是成功率最大的，其他两个方案我在这里没有考虑，在这里得到的结果是利用了115容量装了价值195的东西，但是这明显不是最优结果，分明还可以装一个A进去！刚好满足150重量，由于在算法中我单纯的利用第三种贪心方法求解，当剩余的包裹中最优的再加进来的时候已经超过了，所以这个时候可以选择剩余包裹中次优的（如这里选择A），再不行就次次优的，尽量把包裹装满，这样得到的结果就很接近了（不保证一定为最优），但是我们一般不这样来求解，下一文章会介绍动态规划算法来解决这个问题，动态规划很好的弥补了贪心算法的不足！详见下一章！！还需要说明的是，如果包裹是可以拆分的，那这个问题就得到了整体最优解，前面不变，就是当最后一次装进去已经超过容量的时候可以选择只装她的一部分！很多编程题一般是这种情况！经自己总结的贪心算法几大经典问题：1：活动时间安排的问题设有N个活动时间集合，每个活动都要使用同一个资源，比如说会议场，而且同一时间内只能有一个活动使用，每个活动都有一个使用活动的开始si和结束时间fi，即他的使用区间为（si,fi）,现在要求你分配活动占用时间表，即哪些活动占用该会议室，哪些不占用，使得他们不冲突，要求是尽可能多的使参加的活动最大化，即所占时间区间最大化！上图为每个活动的开始和结束时间，我们的任务就是设计程序输出哪些活动可以占用会议室！[cpp]view plain copyprint?1.#include <iostream>ing namespace std;3.4.void GreedyChoose(int len,int *s,int *f,bool *flag);5.6.int main(int argc, char* argv[])7.{8.int s[11] ={1,3,0,5,3,5,6,8,8,2,12};9.int f[11] ={4,5,6,7,8,9,10,11,12,13,14};10.11.bool mark[11] = {0};12.13. GreedyChoose(11,s,f,mark);14.for(int i=0;i<11;i++)15.if(mark[i])16. cout<<i<<" ";17. system("pause");18.return 0;19.}20.21.void GreedyChoose(int len,int *s,int *f,bool *flag)22.{23. flag[0] = true;24.int j = 0;25.for(int i=1;i<len;++i)26.if(s[i] >= f[j])27. {28. flag[i] = true;29. j = i;30. }31.}得出结果是0 3 7 10，也就是对应的时间段值得说明一下，虽然贪心算法不是一定可以得到最好的解，但是对于这种活动时间的问题，他却得到的总是最优解，这点可以用数学归纳法证明，在这里，体现出来的贪心策略是：每一个活动时间的挑选总是选择最优的，就是刚好匹配的，这样得出的结果也就是最优的了！由于这个算法很简单，在这里就没有注释了！类似这种题还有个区间覆盖问题，就是说很多个区间，其中有些是相互覆盖着的，要求去除多余的区间，使剩下的区间占用长度最大，实际就是这个题，只是问法变换了而已！接下来让我们看线性覆盖的问题，跟上面的相反！2.贪心实例之线段覆盖（lines cover）题目大意：在一维空间中告诉你N条线段的起始坐标与终止坐标，要求求出这些线段一共覆盖了多大的长度。