贪婪算法的简单总结：
贪婪算法就是每步都采取最优的做法，也就是说每步都选择局部最优解，最终得到的就是全局最优解
贪婪算法并非适用于任何情况，但它却易于实现
有时候可以使用贪婪算法作为近似算法
评价近似算法的优劣标准：
1. 速度有多快。
2. 得到的近似解与最优解的接近程度。
举例：
集合覆盖问题，假设你办了个广播节目，要让全美50个州的听众都能收听到。为此你需要决定在哪些广播台播出，在每个广播台播出都需要支付费用，因此你力图在尽可能少的广播台播出。
贪婪算法作为近似算法，步骤如下：
1. 选出这样一个广播台，即它覆盖了最多的未覆盖州。即便这个广播台覆盖了一些已覆盖的州，也没有关系。
2. 重复第一步，直到覆盖了所有的州。
1 states_needed = set([‘mt’,’wa’,’or’,’id’,’nv’,’ut’,’ca’,’az’]) 2 final_stations = set() 3 stations = {} 4 stations[‘kone’] = set([‘id’,’nv’,’ut’]) 5 stations[‘ktwo’] = set([‘wa’,’id’,’mt’]) 6 stations[‘kthree’] = set([‘or’,’nv’,’ca’]) 7 stations[‘kfour’] = set([‘nv’,’ut’]) 8 stations[‘kfive’] = set([‘ca’,’az’]) 9 10 while states_needed: 11 best_station = None 12 states_covered = set() 13 for station,states in stations.items(): 14 covered = states_needed & states 15 if len(covered) > len(states_covered): 16 best_station = station 17 states_covered = covered 18 19 states_needed -= states_covered 20 final_stations.add(best_station) 21 22 print(final_stations) |
代码解释：
