数学建模论文及算法设计.pptVIP

1,算法设计,一、递归与分治策略,2,将要求解的较大规模的问题分割成k个更小规模的子问题。,算法总体思想,n,t(n/2),t(n/2),t(n/2),t(n/2),t(n),=,对这k个子问题分别求解。如果子问题的规模仍然不够小，则再划分为k个子问题，如此递归的进行下去，直到问题规模足够小，很容易求出其解为止。,3,算法总体思想,对这k个子问题分别求解。如果子问题的规模仍然不够小，则再划分为k个子问题，如此递归的进行下去，直到问题规模足够小，很容易求出其解为止。,n,t(n),=,将求出的小规模的问题的解合并为一个更大规模的问题的解，自底向上逐步求出原来问题的解。,4,算法总体思想,将求出的小规模的问题的解合并为一个更大规模的问题的解，自底向上逐步求出原来问题的解。,n,t(n),=,5,算法总体思想,将求出的小规模的问题的解合并为一个更大规模的问题的解，自底向上逐步求出原来问题的解。,分治法的设计思想是，将一个难以直接解决的大问题， 分割成一些规模较小的相同问题，以便各个击破， 分而治之。 凡治众如治寡，分数是也。 -孙子兵法,6,1 递归的概念,直接或间接地调用自身的算法称为递归算法。用函数自身给出定义的函数称为递归函数。 由分治法产生的子问题往往是原问题的较小模式，这就为使用递归技术提供了方便。在这种情况下，反复应用分治手段，可以使子问题与原问题类型一致而其规模却不断缩小，最终使子问题缩小到很容易直接求出其解。这自然导致递归过程的产生。 分治与递归像一对孪生兄弟，经常同时应用在算法设计之中，并由此产生许多高效算法。,下面来看几个实例。,7,例1 阶乘函数 阶乘函数可递归地定义为：,边界条件,递归方程,边界条件与递归方程是递归函数的二个要素，递归函数只有具备了这两个要素，才能在有限次计算后得出结果。,8,例2 fibonacci数列 无穷数列1，1，2，3，5，8，13，21，34，55，被称为fibonacci数列。它可以递归地定义为：,边界条件,递归方程,第n个fibonacci数可递归地计算如下： long fibonacci(long n) if (n = 0 |n = 1) return 1; return fibonacci(n-1)+fibonacci(n-2); ,9,在问题规模较大时，较难找到一般的方法，因此我们尝试用递归技术来解决这个问题。,当n=1时，问题比较简单。此时，只要将编号为1的圆盘从塔座a直接移至塔座b上即可。 当n1时，需要利用塔座c作为辅助塔座。此时若能设法将n-1个较小的圆盘依照移动规则从塔座a移至塔座c，然后，将剩下的最大圆盘从塔座a移至塔座b，最后，再设法将n-1个较小的圆盘依照移动规则从塔座c移至塔座b。 由此可见，n个圆盘的移动问题可分为2次n-1个圆盘的移动问题，这又可以递归地用上述方法来做。由此可以设计出解hanoi塔问题的递归算法如下。,递归的概念,例3 hanoi塔问题,#include void move(int a,int b) cout“ 0) hanoi(n-1, a, c, b); move(a,b); hanoi(n-1, c, b, a); void main() hanoi(3,1,2,3); ,10,递归小结,优点：结构清晰，可读性强，而且容易用数学归纳法来证明算法的正确性，因此它为设计算法、调试程序带来很大方便。 缺点：递归算法的运行效率较低，无论是耗费的计算时间还是占用的存储空间都比非递归算法要多。,11,分治法的适用条件,分治法所能解决的问题一般具有以下几个特征： 该问题的规模缩小到一定的程度就可以容易地解决； 该问题可以分解为若干个规模较小的相同问题，即该问题具有最优子结构性质 利用该问题分解出的子问题的解可以合并为该问题的解； 该问题所分解出的各个子问题是相互独立的，即子问题之间不包含公共的子问题。,因为问题的计算复杂性一般是随着问题规模的增加而增加，因此大部分问题满足这个特征。,这条特征是应用分治法的前提，它也是大多数问题可以满足的，此特征反映了递归思想的应用,能否利用分治法完全取决于问题是否具有这条特征，如果具备了前两条特征，而不具备第三条特征，则可以考虑贪心算法或动态规划。,这条特征涉及到分治法的效率，如果各子问题是不独立的，则分治法要做许多不必要的工作，重复地解公共的子问题，此时虽然也可用分治法，但一般用动态规划较好。,12,分治法的基本步骤,divide-and-conquer(p) if ( | p | = n0) adhoc(p); /解决小规模的问题 divide p into smaller subinstances p1,p2,.,pk；/分解问题 for (i=1,i=k,i+) yi=divide-and-conquer(pi); /递归的解各子问题 return merge(y1,.,yk); /将各子问题的解合并为原问题的解 人们从大量实践中发现，在用分治法设计算法时，最好使子问题的规模大致相同。即将一个问题分成大小相等的k个子问题的处理方法是行之有效的。这种使子问题规模大致相等的做法是出自一种平衡(balancing)子问题的思想，它几乎总是比子问题规模不等的做法要好。,13,二分搜索技术,分析：如果n=1即只有一个元素，则只要比较这个元素和x就可以确定x是否在表中。因此这个问题满足分治法的第一个适用条件,分析：比较x和a的中间元素amid，若x=amid，则x在l中的位置就是mid；如果xai，同理我们只要在amid的后面查找x即可。无论是在前面还是后面查找x，其方法都和在a中查找x一样，只不过是查找的规模缩小了。这就说明了此问题满足分治法的第二个和第三个适用条件。,分析：很显然此问题分解出的子问题相互独立，即在ai的前面或后面查找x是独立的子问题，因此满足分治法的第四个适用条件。,给定已按升序排好序的n个元素a0:n-1，现要在这n个元素中找出一特定元素x。 分析：,该问题的规模缩小到一定的程度就可以容易地解决； 该问题可以分解为若干个规模较小的相同问题; 分解出的子问题的解可以合并为原问题的解； 分解出的各个子问题是相互独立的。,14,二分搜索技术,给定已按升序排好序的n个元素a0:n-1，现要在这n个元素中找出一特定元素x。,据此容易设计出二分搜索算法： int binarysearch(int a, int x, int n) / 在 a0 amiddle) left = middle + 1; else right = middle - 1; return -1; / 未找到x ,算法复杂度分析： 每执行一次算法的while循环， 待搜索数组的大小减少一半。因此，在最坏情况下，while循环被执行了o(logn) 次。循环体内运算需要o(1) 时间，因此整个算法在最坏情况下的计算时间复杂性为o(logn) 。,15,合并排序,基本思想：将待排序元素分成大小大致相同的2个子集合，分别对2个子集合进行排序，最终将排好序的子集合合并成为所要求的排好序的集合。,void mergesort(int a, int left, int right) int b7; if (leftright) /至少有2个元素 int i=(left+right)/2; /取中点 mergesort(a, left, i); mergesort(a, i+1, right); merge(a, b, left, i, right); /合并到数组b copy(a, b, left, right); /复制回数组a ,复杂度分析 t(n)=o(nlogn) 渐进意义下的最优算法,void copy(int a, int b, int left, int right) int i; for(i=left;i=right;i+) ai=bi; ,16,合并排序,算法mergesort的递归过程可以消去。,17,合并排序,消去递归后的合并排序算法： void mergesort(int a,int n) int *b=new intn; int s=1; while(sn) mergepass(a,b,s,n);/合并到数组b s+=s; mergepass(b,a,s,n); /合并到数组a s+=s; delete b; 其中，算法mergepass用于合并排好序的相邻数组段。具体的合并算法由merge来实现。,18,void mergepass(int x,int y,int s,int n) /合并大小为s的相邻子数组 int i=0; while(i=n-2*s) /合并大小为s的相邻2段子数组（ii+s-1, i+si+2*s-1） /i每次变化i=i+2*s，则循环结束剩余元素个数大于s且小于2s或小于s merge(x,y,i,i+s-1,i+2*s-1); i=i+2*s; /剩下的元素个数大于s且小于2s if(i+sn) merge(x,y,i,i+s-1,n-1); else /复制到y for(int j=i;jn;j+) yj=xj; ,19,#include void merge(int c,int d,int l, int m, int r) /对已排序2段clm和cm+1r合并到dlr int i=l,j=m+1,k=l; while(im) for(int q=j;q=r;q+) dk+=cq; else for(int q=i;q=m;q+) dk+=cq; ,20,main() int a=49,38,65,97,76,13,27; int i; for(i=0;i7;i+) coutai“ “; coutendl; mergesort(a,7); for(i=0;i7;i+) coutai“ “; coutendl; ,21,快速排序,基本思想是： 1.divide：以ap为基准元素将ap:r划分成3段ap:q-1,aq和aq+1:r,使得ap:q-1中任何元素小于等于aq， aq+1:r中任何元素大于等于aq。下标q在划分过程中确定。 2.conquer：通过递归调用快速排序算法，分别对ap:q-1和aq+1:r进行排序。 3.merge： 对ap:q-1,aq和aq+1:r的排序就地进行，不用。,void qsort(int a,int p,int r) int q; if(pr) q=partition(a,p,r); qsort(a,p,q-1); qsort(a,q+1,r); ,22,快速排序,int partition (int a,int p, int r) int i = p, j = r + 1; int x = ap; / 将= x的元素交换到左边区域 / 将x); if (i = j) break; swap(a, i, j); ap = aj; aj = x; return j; ,void swap(int a,int i,int j) int t; t=ai; ai=aj; aj=t; ,void main() int a=49,38,65,97,76,13,27; int i; for(i=0;i7;i+) coutai“ “; coutendl; qsort(a,0,6); for(i=0;i7;i+) coutai“ “; coutendl; ,23,int randomizedpartition (int p, int r) int i = random(p,r); swap(a, i, p); return partition (p, r); ,快速排序,快速排序算法的性能取决于划分的对称性。通过修改算法partition，可以设计出采用随机选择策略的快速排序算法。在快速排序算法的每一步中，当数组还没有被划分时，可以在ap:r中随机选出一个元素作为划分基准，这样可以使划分基准的选择是随机的，从而可以期望划分是较对称的。,最坏时间复杂度：o(n2) 平均时间复杂度：o(nlogn) 辅助空间：o(n)或o(logn) 稳定性：不稳定,24,最接近点对问题,给定平面上n个点的集合s，找其中的一对点，使得在n个点组成的所有点对中，该点对间的距离最小。,25,最接近点对问题,如果s的最接近点对是p3,q3，即|p3-q3|d，则p3和q3两者与m的距离不超过d，即p3(m-d,m，q3(m,m+d。 由于在s1中，每个长度为d的半闭区间至多包含一个点（否则必有两点距离小于d），并且m是s1和s2的分割点，因此(m-d,m中至多包含s中的一个点。由图可以看出，如果(m-d,m中有s中的点，则此点就是s1中最大点。 因此，我们用线性时间就能找到区间(m-d,m和(m,m+d中所有点，即p3和q3。从而我们用线性时间就可以将s1的解和s2的解合并成为s的解。,能否在线性时间内找到p3,q3？,26,最接近点对问题,下面来考虑二维的情形。,选取一垂直线l:x=m来作为分割直线。其中m为s中各点x坐标的中位数。由此将s分割为s1和s2。 递归地在s1和s2上找出其最小距离d1和d2，并设d=mind1,d2，s中的最接近点对或者是d，或者是某个p,q，其中pp1且qp2。 能否在线性时间内找到p,q？,27,最接近点对问题,考虑p1中任意一点p，它若与p2中的点q构成最接近点对的候选者，则必有distance(p，q)d。满足这个条件的p2中的点一定落在一个d2d的矩形r中 由d的意义可知，p2中任何2个s中的点的距离都不小于d。由此可以推出矩形r中最多只有6个s中的点。 因此，在分治法的合并步骤中最多只需要检查6n/2=3n个候选者,能否在线性时间内找到p3,q3？,证明:将矩形r的长为2d的边3等分，将它的长为d的边2等分，由此导出6个(d/2)(2d/3)的矩形。若矩形r中有多于6个s中的点，则由鸽舍原理易知至少有一个(d/2)(2d/3)的小矩形中有2个以上s中的点。设u，v是位于同一小矩形中的2个点，则 distance(u,v)d。这与d的意义相矛盾。,28,为了确切地知道要检查哪6个点，可以将p和p2中所有s2的点投影到垂直线l上。由于能与p点一起构成最接近点对候选者的s2中点一定在矩形r中，所以它们在直线l上的投影点距p在l上投影点的距离小于d。由上面的分析可知，这种投影点最多只有6个。 因此，若将p1和p2中所有s中点按其y坐标排好序，则对p1中所有点，对排好序的点列作一次扫描，就可以找出所有最接近点对的候选者。对p1中每一点最多只要检查p2中排好序的相继6个点。,最接近点对问题,29,最接近点对问题,public static double cpair2(s) n=|s|; if (n m 2. d1=cpair2(s1); d2=cpair2(s2); 3. dm=min(d1,d2);,4. 设p1是s1中距垂直分割线l的距离在dm之内的所有点组成的集合； p2是s2中距分割线l的距离在dm之内所有点组成的集合； 将p1和p2中点依其y坐标值排序； 并设x和y是相应的已排好序的点列； 5. 通过扫描x以及对于x中每个点检查y中与其距离在dm之内的所有点(最多6个)可以完成合并； 当x中的扫描指针逐次向上移动时，y中的扫描指针可在宽为2dm的区间内移动； 设dl是按这种扫描方式找到的点对间的最小距离； 6. d=min(dm,dl); return d; ,复杂度分析 t(n)=o(nlogn),30,算法设计,二、动态规划,31,算法总体思想,动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题,32,但是经分解得到的子问题往往不是互相独立的。不同子问题的数目常常只有多项式量级。在用分治法求解时，有些子问题被重复计算了许多次。,算法总体思想,33,如果能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，就可以避免大量重复计算，从而得到多项式时间算法。,算法总体思想,t(n),those who cannot remember the past are doomed to repeat it. -george santayana, the life of reason, book i: introduction and reason in common sense (1905),34,动态规划基本步骤,找出最优解的性质，并刻划其结构特征。 递归地定义最优值。 以自底向上的方式计算出最优值。 根据计算最优值时得到的信息，构造最优解。,35,动态规划算法的基本要素,最优子结构,当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。 在分析问题的最优子结构性质时，所用的方法具有普遍性：首先假设由问题的最优解导出的子问题的解不是最优的，然后再设法说明在这个假设下可构造出比原问题最优解更好的解，从而导致矛盾。 利用问题的最优子结构性质，以自底向上的方式递归地从子问题的最优解逐步构造出整个问题的最优解。最优子结构是问题能用动态规划算法求解的前提。,注意：同一个问题可以有多种方式刻划它的最优子结构，有些表示方法的求解速度更快（空间占用小，问题的维度低）,36,二、重叠子问题,递归算法求解问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。这种性质称为子问题的重叠性质。 动态规划算法，对每一个子问题只解一次，而后将其解保存在一个表格中，当再次需要解此子问题时，只是简单地用常数时间查看一下结果。 通常不同的子问题个数随问题的大小呈多项式增长。因此用动态规划算法只需要多项式时间，从而获得较高的解题效率。,37,最长公共子序列,若给定序列x=x1,x2,xm，则另一序列z=z1,z2,zk，是x的子序列是指存在一个严格递增下标序列i1,i2,ik使得对于所有j=1,2,k有：zj=xij。例如，序列z=b，c，d，b是序列x=a，b，c，b，d，a，b的子序列，相应的递增下标序列为2，3，5，7。 给定2个序列x和y，当另一序列z既是x的子序列又是y的子序列时，称z是序列x和y的公共子序列。 给定2个序列x=x1,x2,xm和y=y1,y2,yn，找出x和y的最长公共子序列。,38,最长公共子序列的结构,设序列x=x1,x2,xm和y=y1,y2,yn的最长公共子序列为z=z1,z2,zk ，则 (1)若xm=yn，则zk=xm=yn，且zk-1是xm-1和yn-1的最长公共子序列。 (2)若xmyn且zkxm，则z是xm-1和y的最长公共子序列。 (3)若xmyn且zkyn，则z是x和yn-1的最长公共子序列。,由此可见，2个序列的最长公共子序列包含了这2个序列的前缀的最长公共子序列。因此，最长公共子序列问题具有最优子结构性质。,39,子问题的递归结构,由最长公共子序列问题的最优子结构性质建立子问题最优值的递归关系。用cij记录序列xi和yj的最长公共子序列的长度。其中， xi=x1,x2,xi；yj=y1,y2,yj。当i=0或j=0时，空序列是xi和yj的最长公共子序列。故此时cij=0。其他情况下，由最优子结构性质可建立递归关系如下：,40,计算最优值,由于在所考虑的子问题空间中，总共有(mn)个不同的子问题，因此，用动态规划算法自底向上地计算最优值能提高算法的效率。,#include #define m 7 #define n 6 void lcslength(char x,char y,int bm+1n+1,int cm+1n+1) int i,j; for(i=0;i=cij-1) cij=ci-1j; bij=2; else cij=cij-1; bij=3; ,构造最长公共子序列 void lcs(int i,int j,char x,int bm+1n+1) if (i=0|j=0) return; if (bij=1) lcs(i-1,j-1,x,b); coutxi; else if(bij=2) lcs(i-1,j,x,b); else lcs(i,j-1,x,b); ,41,main() char xm+1=0,a,b,c,b,d,a,b; char ym+1=0,b,d,c,a,b,a; int bm+1n+1,cm+1n+1; lcslength(x,y,b,c); int i,j; cout“数组c“endl; for(i=0;i=m;i+) for(j=0;j=n;j+) coutcij“ “; coutendl; cout“数组b“endl; for(i=1;i=m;i+) for(j=1;j=n;j+) coutbij“ “; coutendl; cout“x和y的lcs是：“; lcs(m,n,x,b); coutendl; ,42,0-1背包问题,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? 0-1背包问题是一个特殊的整数规划问题。,43,0-1背包问题,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)的递归式如下。,算法复杂度分析： 从m(i，j)的递归式容易看出，算法需要o(nc)计算时间。当背包容量c很大时，算法需要的计算时间较多。例如，当c2n时，算法需要(n2n)计算时间。,44,#include int max(int x,int y) return xy?x:y; int min(int x,int y) return x0;i-) jmax=min(wi-1,c); for(j=0;j=w0) m0c=max(m0c,m1c-w0+v0); ,45,void traceback(int m11,int w,int c,int x,int n1) int n=n1-1; int i; for(i=0;i0)?1:0; void main() int i,j,x5; int n=5,c=10,w5=2,2,6,5,4,v5=6,3,5,4,6,m511; knapsack(v,w,c,m,n); for(i=0;i5;i+) for(j=0;j=10;j+) coutmij“ “; coutendl; traceback(m,w,c,x,n); for(i=0;i5;i+) if(xi=1) couti+1“ “; ,46,算法设计,三、贪心算法,47,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。,48,活动安排问题,活动安排问题就是要在所给的活动集合中选出最大的相容活动子集合，是可以用贪心算法有效求解的很好例子。该问题要求高效地安排一系列争用某一公共资源的活动。贪心算法提供了一个简单、漂亮的方法使得尽可能多的活动能兼容地使用公共资源。,49,活动安排问题,设有n个活动的集合e=1,2,n，其中每个活动都要求使用同一资源，如演讲会场等，而在同一时间内只有一个活动能使用这一资源。每个活动i都有一个要求使用该资源的起始时间si和一个结束时间fi,且si fi 。如果选择了活动i，则它在半开时间区间si, fi)内占用资源。若区间si, fi)与区间sj, fj)不相交，则称活动i与活动j是相容的。也就是说，当sifj或sjfi时，活动i与活动j相容。,50,活动安排问题,在下面所给出的解活动安排问题的贪心算法greedyselector : #include int greedyselector(int s, int f, int a,int n) a0=1; int j=0; int count=1; for (int i=1;i=fj) ai=1; j=i; count+; else ai=0; return count; ,各活动的起始时间和结束时间存储于数组s和f中且按结束时间的非减序排列,main() int s11=1,3,0,5,3,5,6,8,8,2,12; int f11=4,5,6,7,8,9,10,11,12,13,14; int a11,cn,i; cn=greedyselector(s,f,a,11); coutcn“个活动被安排：“endl; for(i=0;i11;i+) if(ai=1) couti+1“ “; ,51,活动安排问题,由于输入的活动以其完成时间的非减序排列，所以算法greedyselector每次总是选择具有最早完成时间的相容活动加入集合a中。直观上，按这种方法选择相容活动为未安排活动留下尽可能多的时间。也就是说，该算法的贪心选择的意义是使剩余的可安排时间段极大化，以便安排尽可能多的相容活动。 算法greedyselector的效率极高。当输入的活动已按结束时间的非减序排列，算法只需o(n)的时间安排n个活动，使最多的活动能相容地使用公共资源。如果所给出的活动未按非减序排列，可以用o(nlogn)的时间重排。,52,活动安排问题,例：设待安排的11个活动的开始时间和结束时间按结束时间的非减序排列如下：,53,活动安排问题,算法greedyselector 的计算过程如左图所示。图中每行相应于算法的一次迭代。阴影长条表示的活动是已选入集合a的活动，而空白长条表示的活动是当前正在检查相容性的活动。,54,活动安排问题,若被检查的活动i的开始时间si小于最近选择的活动j的结束时间fi，则不选择活动i，否则选择活动i加入集合a中。 贪心算法并不总能求得问题的整体最优解。但对于活动安排问题，贪心算法greedyselector却总能求得的整体最优解，即它最终所确定的相容活动集合a的规模最大。这个结论可以用数学归纳法证明。,55,贪心算法的基本要素,对于一个具体的问题，怎么知道是否可用贪心算法解此问题，以及能否得到问题的最优解呢?这个问题很难给予肯定的回答。 但是，从许多可以用贪心算法求解的问题中看到这类问题一般具有2个重要的性质：贪心选择性质和最优子结构性质。,56,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。,57,贪心算法的基本要素,2.最优子结构性质 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。,58,贪心算法的基本要素,3.贪心算法与动态规划算法的差异 贪心算法和动态规划算法都要求问题具有最优子结构性质，这是2类算法的一个共同点。但是，对于具有最优子结构的问题应该选用贪心算法还是动态规划算法求解?是否能用动态规划算法求解的问题也能用贪心算法求解?下面研究2个经典的组合优化问题，并以此说明贪心算法与动态规划算法的主要差别。,59,贪心算法的基本要素,0-1背包问题： 给定n种物品和一个背包。物品i的重量是wi，其价值为vi，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?,在选择装入背包的物品时，对每种物品i只有2种选择，即装入背包或不装入背包。不能将物品i装入背包多次，也不能只装入部分的物品i。,60,贪心算法的基本要素,背包问题： 与0-1背包问题类似，所不同的是在选择物品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，1in。,这2类问题都具有最优子结构性质，极为相似，但背包问题可以用贪心算法求解，而0-1背包问题却不能用贪心算法求解。,61,贪心算法的基本要素,用贪心算法解背包问题的基本步骤： 首先计算每种物品单位重量的价值vi/wi，然后，依贪心选择策略，将尽可能多的单位重量价值最高的物品装入背包。若将这种物品全部装入背包后，背包内的物品总重量未超过c，则选择单位重量价值次高的物品并尽可能多地装入背包。依此策略一直地进行下去，直到背包装满为止。 具体算法可描述如下页：,62,贪心算法的基本要素,float knapsack(float c,float w, float v,float x) int n=v.length; element d = new element n; for (int i = 0; i c) break; xdi.i=1; opt+=di.v; c-=di.w; if (in) xdi.i=c/di.w; opt+=xdi.i*di.v; return opt; ,算法knapsack的主要计算时间在于将各种物品依其单位重量的价值从大到小排序。因此，算法的计算时间上界为 o（nlogn）。当然，为了证明算法的正确性，还必须证明背包问题具有贪心选择性质。,63,贪心算法的基本要素,对于0-1背包问题，贪心选择之所以不能得到最优解是因为在这种情况下，它无法保证最终能将背包装满，部分闲置的背包空间使每公斤背包空间的价值降低了。事实上，在考虑0-1背包问题时，应比较选择该物品和不选择该物品所导致的最终方案，然后再作出最好选择。由此就导出许多互相重叠的子问题。这正是该问题可用动态规划算法求解的另一重要特征。 实际上也是如此，动态规划算法的确可以有效地解0-1背包问题。,64,单源最短路径,给定带权有向图g =(v,e)，其中每条边的权是非负实数。另外，还给定v中的一个顶点，称为源。现在要计算从源到所有其他各顶点的最短路长度。这里路的长度是指路上各边权之和。这个问题通常称为单源最短路径问题。 1.算法基本思想 dijkstra算法是解单源最短路径问题的贪心算法。,65,单源最短路径,其基本思想是，设置顶点集合s并不断地作贪心选择来扩充这个集合。一个顶点属于集合s当且仅当从源到该顶点的最短路径长度已知。 初始时，s中仅含有源。设u是g的某一个顶点，把从源到u且中间只经过s中顶点的路称为从源到u的特殊路径，并用数组dist记录当前每个顶点所对应的最短特殊路径长度。dijkstra算法每次从v-s中取出具有最短特殊路长度的顶点u，将u添加到s中，同时对数组dist作必要的修改。一旦s包含了所有v中顶点，dist就记录了从源到所有其