「贪心法java」贪心法和动态规划法的主要区别
本篇文章给大家谈谈贪心法java，以及贪心法和动态规划法的主要区别对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
用java编写找零钱程序
import java.awt.event.ActionEvent;
import java.awt.event.ActionListener;
import java.awt.event.KeyEvent;
import java.awt.event.KeyListener;
import javax.swing.JFrame;
import javax.swing.JLabel;
import javax.swing.JOptionPane;
import javax.swing.JTextField;
public class Test implements KeyListener {
JFrame jf = new JFrame("找零系统");
JLabel author = new JLabel("作者名:XXX");
JLabel priceLabel = new JLabel("价格:");
JLabel pmoneyLabel = new JLabel("付款:");
JTextField priceField = new JTextField();
JTextField pmoneyField = new JTextField();
JLabel gmoney = new JLabel();
public void init() {
jf.setLayout(null);
jf.setSize(170, 170);
jf.setResizable(false);
jf.setLocationRelativeTo(null);
jf.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
jf.setVisible(true);
author.setBounds(50, 10, 100, 30);
priceLabel.setBounds(10, 50, 30, 20);
pmoneyLabel.setBounds(10, 80, 30, 20);
priceField.setBounds(50, 50, 100, 20);
pmoneyField.setBounds(50, 80, 100, 20);
gmoney.setBounds(40, 110, 100, 20);
jf.add(author);
jf.add(priceLabel);
jf.add(pmoneyLabel);
jf.add(priceField);
jf.add(pmoneyField);
jf.add(gmoney);
priceField.addKeyListener(this);
pmoneyField.addKeyListener(this);
}
public static void main(String[] args) {
new Test().init();
}
public void keyPressed(KeyEvent e) {
}
public void keyReleased(KeyEvent e) {
if (!priceField.getText().equals("")
!pmoneyField.getText().equals("")) {
try {
float price = Float.parseFloat(priceField.getText());
float pmoney = Float.parseFloat(pmoneyField.getText());
gmoney.setText("找零:" + (pmoney - price) + "元");
} catch (NumberFormatException e1) {
JOptionPane.showMessageDialog(jf, "输入错误!", "出错了",
JOptionPane.ERROR_MESSAGE);
priceField.setText("");
pmoneyField.setText("");
gmoney.setText("");
}
} else {
gmoney.setText("");
}
}
public void keyTyped(KeyEvent e) {
}
}
贪心算法的基本思想
贪心算法的基本思想就是分级处理。
贪心算法是一种分级处理的方法。用贪心法设计算法的特点是一步一步的进行，根据某个优化测度（可能是目标函数，也可能不是目标函数），每一步上都要保证能获得局部最优解。每一步只考虑一个数据，它的选取应满足局部优化条件。若下一个数据与部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加为止。
贪心算法可解决的问题通常大部分都有如下的特性：
1、随着算法的进行，将积累起其它两个集合：一个包含已经被考虑过并被选出的候选对象，另一个包含已经被考虑过但被丢弃的候选对象。
2、有一个函数来检查一个候选对象的集合是否提供了问题的解答。该函数不考虑此时的解决方法是否最优。
3、还有一个函数检查是否一个候选对象的集合是可行的，也即是否可能往该集合上添加更多的候选对象以获得一个解。和上一个函数一样，此时不考虑解决方法的最优性。
4、选择函数可以指出哪一个剩余的候选对象最有希望构成问题的解。
5、最后，目标函数给出解的值。
关于编程的贪心法
定义
所谓贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他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他能产生整体最优解或者是整体最优解的近似解。
[编辑本段]贪心算法的基本思路
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.对每一子问题求解，得到子问题的局部最优解。 4.把子问题的解局部最优解合成原来解问题的一个解。 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。 下面是一个可以试用贪心算法解的题目，贪心解的确不错，可惜不是最优解。
[编辑本段]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，物品不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： 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。 对于例题中的3种贪心策略，都是无法成立（无法被证明）的，解释如下： （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。 【注意：如果物品可以分割为任意大小，那么策略3可得最优解】 对于选取单位重量价值最大的物品这个策略，可以再加一条优化的规则：对于单位重量价值一样的，则优先选择重量小的！这样，上面的反例就解决了。 但是，如果题目是如下所示，这个策略就也不行了。 W=40 物品：A B C 重量：28 20 15 价值：28 20 15 附：本题是个NP问题，用贪心法并不一定可以求得最优解，以后了解了动态规划算法后本题就有了新的解法。
[编辑本段]备注
贪心算法当然也有正确的时候。求最小生成树的Prim算法和Kruskal算法都是漂亮的贪心算法。 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）
[编辑本段]附贪心算法成功案例之一
马踏棋盘的贪心算法 123041-23 XX 【问题描述】 马的遍历问题。在8×8方格的棋盘上，从任意指定方格出发，为马寻找一条走遍棋盘每一格并且只经过一次的一条最短路径。 【初步设计】 首先这是一个搜索问题，运用深度优先搜索进行求解。算法如下： 1、 输入初始位置坐标x,y； 2、 步骤 c: 如果c 64输出一个解，返回上一步骤c-- (x,y) ← c 计算(x,y)的八个方位的子结点，选出那此可行的子结点 循环遍历所有可行子结点，步骤c++重复2 显然（2）是一个递归调用的过程，大致如下： void dfs(int x,int y,int count) { int i,tx,ty; if(count N*N) { output_solution();//输入一个解 return; }
贪心算法的本质
1. 贪心法（Greedy Algorithm）定义
求解最优化问题的算法通常需要经过一系列的步骤，在每个步骤都面临多种选择；
贪心法就是这样的算法：它在每个决策点作出在当时看来最佳的选择，即总是遵循某种规则，做出局部最优的选择，以推导出全局最优解（局部最优解-全局最优解）
2. 对贪心法的深入理解
（1）原理：一种启发式策略，在每个决策点作出在当时看来最佳的选择
（2）求解最优化问题的两个关键要素：贪心选择性质+最优子结构
①贪心选择性质：进行选择时，直接做出在当前问题中看来最优的选择，而不必考虑子问题的解；
②最优子结构：如果一个问题的最优解包含其子问题的最优解，则称此问题具有最优子结构性质
（3）解题关键：贪心策略的选择
贪心算法不是对所有问题都能得到整体最优解的，因此选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。
（4）一般步骤：
①建立数学模型来描述最优化问题；
②把求解的最优化问题转化为这样的形式：对其做出一次选择后，只剩下一个子问题需要求解；
③证明做出贪心选择后：
1°原问题总是存在全局最优解，即贪心选择始终安全；
2°剩余子问题的局部最优解与贪心选择组合，即可得到原问题的全局最优解。
并完成2°
3. 贪心法与动态规划
最优解问题大部分都可以拆分成一个个的子问题，把解空间的遍历视作对子问题树的遍历，则以某种形式对树整个的遍历一遍就可以求出最优解，大部分情况下这是不可行的。贪心算法和动态规划本质上是对子问题树的一种修剪，两种算法要求问题都具有的一个性质就是子问题最优性(组成最优解的每一个子问题的解，对于这个子问题本身肯定也是最优的)。动态规划方法代表了这一类问题的一般解法，我们自底向上构造子问题的解，对每一个子树的根，求出下面每一个叶子的值，并且以其中的最优值作为自身的值，其它的值舍弃。而贪心算法是动态规划方法的一个特例，可以证明每一个子树的根的值不取决于下面叶子的值，而只取决于当前问题的状况。换句话说，不需要知道一个节点所有子树的情况，就可以求出这个节点的值。由于贪心算法的这个特性，它对解空间树的遍历不需要自底向上，而只需要自根开始，选择最优的路，一直走到底就可以了。
程序设计一课中提到的贪婪法基本思想是什么啊
贪婪法是一种不追求最优解，只希望得到较为满意解的方法。贪婪法一般可以快速得到满意的解，因为它省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪婪法常以当前情况为基础作最优选择，而不考虑各种可能的整体情况，所以贪婪法不要回溯。
贪婪算法的一般方法
1、问题描述
它有n个输入，而它的解就由这n个输入的某个子集组成，只是这个子集必须满足某些事先给定的条件。
2、约束条件 那些必须满足的条件称为约束条件。
3、可行解 满足约束条件的子集称为该问题的可行解。
4、目标函数 事先给定的衡量可行解优劣的量度标准，通常以函数的形式给出，称为目标函数。
5、最优解 使目标函数取极值（极大或极小）的可行解，称为最优解。
6、子结构模式 贪心技术中，问题的最优一般是原输入的子集，获取最优子集的贪心方法为子结构模式
7、有序模式 通过计算已有的判定而得出的最优条件，可以为下一步的判定提供依据，这种形式的贪心算法称为有序模式。
8、贪婪算法求解思想（分步处理）
�8�4 根据题意，选取一种量度标准；
�8�4 然后按这种量度标准对这n个输入排序，并按序一次输入一个量。
�8�4 如果这个输入和当前已构成在这种量度意义下的部分最优解加在一起不能产生一个可行解，则不把此输入加到这部分解中。
这种能够得到某种意义下的最优解的分级处理方法称为贪心算法。
关于贪心法java和贪心法和动态规划法的主要区别的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。