举个贪心算法的python例子
时间: 2023-02-24 12:11:25 浏览: 86
下面是一个贪心算法的简单 Python 代码例子,它解决了一个选择工作的问题:
```
# 假设有一些工作,每个工作有开始时间和结束时间
jobs = [(0, 6), (1, 4), (3, 5), (3, 8), (4, 7), (5, 9), (6, 10), (8, 11)]
# 按照结束时间排序
jobs.sort(key=lambda x: x[1])
# 初始化一个计数器,表示当前选择的工作数
count = 0
# 初始化一个时间点,表示当前可用的最早结束时间
cur_time = 0
# 遍历每个工作
for job in jobs:
# 如果当前工作的开始时间大于当前可用的最早结束时间
# 那么可以选择该工作
if job[0] >= cur_time:
count += 1
cur_time = job[1]
# 输出最多可以选择的工作数
print(count)
```
运行结果是:4,表示可以选择 4 个工作。
相关问题
再举一个贪心算法的python例子
### 回答1:
好的,下面是一个关于贪心算法的 Python 例子:
假设我们要选择一组物品以获得最大价值,其中每件物品都有一个体积和一个价值。我们可以使用贪心算法,每次选择价值密度最高的物品。
以下是代码实现:
```
def max_value(items, max_weight):
# 将物品按价值密度从大到小排序
items = sorted(items, key=lambda x: x[1] / x[0], reverse=True)
total_value = 0
total_weight = 0
for item in items:
if total_weight + item[0] <= max_weight:
total_weight += item[0]
total_value += item[1]
return total_value
# 测试
items = [(2, 3), (3, 4), (4, 5), (5, 6)]
max_weight = 7
print(max_value(items, max_weight)) # Output: 10
```
在这个例子中,我们选择了价值密度最高的物品,直到不能再选择任何物品为止,以获得最大的价值。
### 回答2:
一个简单的贪心算法的例子是找零钱问题。假设有1元、5元、10元、50元、100元的纸币,需要找给顾客一个金额为n的零钱,假设n为正整数。贪心算法的思路是尽可能多地使用大面值的纸币,从而减少纸币的数量。
下面是一个用Python实现的找零钱问题的贪心算法例子:
```python
def change(n):
bills = [100, 50, 10, 5, 1] # 纸币面值数组
result = [] # 存放结果的数组
for bill in bills:
count = n // bill # 计算该面值纸币的张数
n = n % bill # 更新剩余金额
for _ in range(count):
result.append(bill) # 将该面值纸币添加到结果数组中
if n == 0:
break # 当剩余金额为0时跳出循环
return result
# 测试
print(change(173)) # 输出: [100, 50, 10, 10, 1, 1, 1]
print(change(55)) # 输出: [50, 5]
print(change(101)) # 输出: [100, 1]
print(change(30)) # 输出: [10, 10, 10]
```
以上代码中,`bills`数组存放了纸币的面值,通过依次遍历这些面值,计算出当前面值纸币的张数,并将其添加到结果数组中。每次计算完后更新剩余金额,并判断是否为0,如果是则跳出循环。最后返回结果数组。
通过贪心算法,该例子有效地使用大面值纸币,尽量减少了纸币的数量,得到了满足条件的找零方案。
### 回答3:
贪心算法是一种解决问题的策略,它总是做出在当前看来最好的选择,而不考虑后续的结果。
以下是一个使用贪心算法解决找零钱问题的Python例子:
假设给定不同面额的货币 coins = [1, 5, 10, 20, 50, 100],以及需要找零的金额 amount = 193。
首先,我们需要找零的金额是最大面额的货币无法满足的,即无法使用100的货币。而使用最小面额的货币凑够193是不现实的,因此我们可以尝试使用较大面额的货币。
从上面的面额列表中选择最大的面额 100,我们可以计算出193/100得到1,意味着我们可以使用1个100的货币。现在剩下的金额是193 - 100 = 93。
继续选择下一个最大的面额 50,我们可以计算出93/50得到1,即我们可以使用一个50的货币。剩下的金额是93 - 50 = 43。
继续选择下一个最大的面额 20,我们可以计算出43/20得到2,即我们可以使用两个20的货币。剩下的金额是43 - 20 * 2 = 3。
接下来选择一个最大面额 5,我们可以计算出3/5得到0,因此无法使用任何5的货币。但我们还有其他面额的货币没有尝试过。
继续选择下一个最大的面额 1,我们可以计算出3/1得到3,即我们可以使用3个1的货币。最终剩下的金额是3 - 1 * 3 = 0。
通过贪心算法,我们得出总共需要 2 个20的货币,1 个50的货币,1 个100的货币,以及 3 个1的货币来凑够193的金额。
虽然贪心算法可以有效解决一些问题,但它并不一定总能给出最优解。在一些情况下,贪心算法可能会得到次优解或者根本无法得到符合要求的解。因此在使用贪心算法时,需要仔细考虑问题的特性和要求。
贪心算法几个经典例子Python
以下是几个经典的贪心算法例子的 Python 代码:
1. 零钱兑换问题
'''
题目描述:给定一个整数金额和一些硬币,求出能够组成该金额的最少硬币数。
例如,当金额为 11 时,硬币面值为 [1, 2, 5],应返回 3(5元硬币1枚,2元硬币2枚)。
思路:贪心策略是每次尽可能使用面值最大的硬币,直到金额为 0。
'''
def coin_change(coins, amount):
coins.sort(reverse=True)
count = 0
for coin in coins:
if amount == 0:
break
if coin <= amount:
count += amount // coin
amount = amount % coin
return count if amount == 0 else -1
2. 活动选择问题
'''
题目描述:假设有 n 个活动,每个活动都有一个开始时间和结束时间。选择一些活动,使得它们不冲突,且能够参加的活动数最多。
例如,有以下 6 个活动:
[ (1, 4), (3, 5), (0, 6), (5, 7), (3, 8), (5, 9) ]
其中,选择 (0, 6), (6, 7), (7, 8), (8, 9) 四个活动,即可参加的活动数最多。
思路:贪心策略是每次选择结束时间最早的活动,并且该活动与前面选择的活动不冲突。
'''
def activity_selection(activities):
activities.sort(key=lambda x: x[1])
selected = []
end_time = -1
for activity in activities:
if activity[0] >= end_time:
selected.append(activity)
end_time = activity[1]
return selected
3. 分糖果问题
'''
题目描述:给定两个列表,分别表示 n 个孩子的糖果数和 m 个糖果的大小。要求将糖果分给孩子,使得每个孩子最多只能分到一个糖果,并且尽可能多的孩子能够分到糖果。
例如,有 3 个孩子,糖果大小为 [1, 2, 3],糖果数为 [1, 1],则最多只能分配 2 个孩子,因为第三个孩子没有糖果可分。
思路:贪心策略是每次尽可能给糖果大小最小且能够满足该孩子的糖果。
'''
def candy(children, candies):
children.sort()
candies.sort()
i = j = 0
count = 0
while i < len(children) and j < len(candies):
if candies[j] >= children[i]:
count += 1
i += 1
j += 1
return count