举个贪心算法的python例子

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：

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。

tsp问题贪心算法python代码实例

TSP（Traveling Salesman Problem）问题是一个经典的组合优化问题，涉及到寻找一条经过所有城市恰好一次的最短路径。贪心算法是一种启发式搜索策略，但它并不保证一定能找到全局最优解。下面是使用Python实现的一种简单贪心算法的示例，它每次选择距离当前位置最近的城市作为下一站，直到遍历完所有城市。

import sys

# 假设我们有一个列表表示城市的坐标，如[(0,0), (1,1), (2,2)]
def nearest_city(cities, current_city):
    min_distance = sys.maxsize
    next_city = None
    for city in cities:
        if city != current_city and distance(current_city, city) < min_distance:
            min_distance = distance(current_city, city)
            next_city = city
    return next_city

def distance(city1, city2):
    # 这里假设每个城市都是二维坐标，使用欧几里得距离计算
    return ((city1[0] - city2[0]) ** 2 + (city1[1] - city2[1]) ** 2) ** 0.5

def greedy_tsp(cities):
    tour = [cities[0]]  # 从第一个城市开始
    current_city = cities[0]
    
    for _ in range(len(cities)-1):
        next_city = nearest_city(cities, current_city)
        tour.append(next_city)
        current_city = next_city
    
    # 回到起点完成环路
    tour.append(tour[0])
    
    return tour

# 示例用法
cities = [(0, 0), (1, 4), (3, 2), (7, 6), (5, 9)]
print("Greedy TSP Tour:", greedy_tsp(cities))

这个例子中的贪心算法并不是TSP的精确解决方案，因为它可能会导致局部最优而不是全局最优。对于复杂的问题，比如TSP，更常见的做法是使用动态规划或者混合智能算法（如遗传算法、模拟退火等）。如果你对如何解决实际的TSP问题有兴趣，这些算法会更适合。