从零开始算法篇之贪婪(一)

正则表达式之 贪婪与非贪婪模式详解(概述) 1 概述 贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为,贪婪模式在整个表达式匹配成功的前提下,尽可能多的匹配,而非贪婪模式在整个表达式匹配成功的前提下,尽可能少的匹配。非贪婪模式只被部分NFA引擎所支持。 属于贪婪模式的量词,也叫做匹配优先量词,包括: “{m,n}”、“{m,}”、“?”、“*”和“+”。 在一些使用NFA引擎的语言中,在匹配优先量词后加上“?”,即变成属于非贪婪模式的量词,也叫做忽略优先量词,包括: “{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。 从正则语法的 阅读详情

1. 回顾

图论篇忽略了网络流、关键路径分析法和NP完全问题,在DSAA的论述里面,这些内容都是作为了解性质,以后如果需要深入再单独学习。整体上看,基本的数据结构已经全部学完了,从此篇开始将详细学习五大常用算法。
  DSAA在该篇论述了简单调度问题、哈夫曼生成树及装箱问题,证明了贪婪算法在一些问题上可以找到最优解,但是大部分情况都只能接近最优解,甚至离最优解很远。笔者记录算法篇的目的是为了解决一些编程问题,而这类问题往往是求最优解,所以在做题场合贪婪的适用性非常小了。注:本篇引用来源DSAA和维基百科。

1. 定义

  • Dijkstra’s, Prim’s, and Kruskal’s algorithms. Greedy algorithms work in phases. In each phase, a decision is made that appears to be good, without regard for future consequences.
  • Generally, this means that some local optimum is chosen. When the algorithm terminates, we hope that the local optimum is equal to the global optimum. If this is the case, then the algorithm is correct; otherwise, the algorithm has produced a suboptimal solution.

贪婪算法的定义很简单:将一个过程分成多个阶段,每个阶段做出最优选择。这种选择是局部最优,如果算法结束时得到的结果与全局最优一致,则证明贪婪策略正确,否则贪婪就得到次最优解。

2. 特征

In general, greedy algorithms have five components:

  • A candidate set, from which a solution is created
  • A selection function, which chooses the best candidate to be added to the solution
  • A feasibility function, that is used to determine if a candidate can be used to contribute to a solution
  • An objective function, which assigns a value to a solution, or a partial solution, and
  • A solution function, which will indicate when we have discovered a complete solution

以上五部分从抽象到函数的角度来考虑贪婪算法的实现,其实只要记住分阶段做出最优选择,最后得到整个问题的解向量。贪婪算法可以解决的问题应该满足下面几点:

  • Greedy choice property
  • We can make whatever choice seems best at the moment and then solve the subproblems that arise later. The choice made by a greedy algorithm may depend on choices made so far, but not on future choices or all the solutions to the subproblem. It iteratively makes one greedy choice after another, reducing each given problem into a smaller one. In other words, a greedy algorithm never reconsiders its choices.
  • Optimal substructure
  • “A problem exhibits optimal substructure if an optimal solution to the problem contains optimal solutions to the sub-problems.”

第一点中黑色粗体特别强调了马尔可夫性质(无后效性),笔者看到很多人困惑到底是未来不能影响过去,还是过去不能影响未来。其实两者等价,所以只要把握未来的状态只取决于现在的特性就可以了。在Leetcode题解的记录篇中分析到一个状态转移方程满足无后效性,但因为for的错误取值也会导致其有后效性。第二点指出了最优子结构,贪婪算法和动态规划的交叉点很多,但是贪婪没有状态转移方程,其就不能保证每步的抉择达到全局最优,而选择方式往往按照既定的标准,在各个阶段选择。相反动态规划的状态转移方程保证了全局最优的结果,通过空间换时间,将每种可能的结果都记录下来(可能最优解不需要这种状态)。
  下图为不能使用Greed算法的一个例子,每个阶段都选择最大的数,结果为次最优解。这个问题也不能用DP求解,因为其不满足最优子结构的性质,比较直接的解法就是回溯。
这里写图片描述

3. 应用

  • For example, all known greedy coloring algorithms for the graph coloring problem and all other NP-complete problems do not consistently find optimum solutions. Nevertheless, they are useful because they are quick to think up and often give good approximations to the optimum.
  • If a greedy algorithm can be proven to yield the global optimum for a given problem class, it typically becomes the method of choice because it is faster than other optimization methods like dynamic programming.
    • Examples of such greedy algorithms are Kruskal’s algorithm and Prim’s algorithm for finding minimum spanning trees, and the algorithm for finding optimum Huffman trees.

4. 实战 Jump Game

这里写图片描述

我的解法和官网有点区别,因为使用的是DP,所以这里就简单陈述下。状态定义 F [ i ] F[i] F[i]为从0位置出发到第i位置的状态,而状态转移方程为$ F[i]=F[j]  if F[j] and nums[j] >i-j+1 0\leq j <i$。
  然后思考贪婪算法,一种错误的思考如下:假设k步到达终点,然后第i步选择当前步长最大的方式,这样得到的结果不一定正确。以下是官网推荐的贪婪解法过程:

  • Once we have our code in the bottom-up state, we can make one final, important observation. From a given position, when we try to see if we can jump to a GOOD position, we only ever use one - the first one (see the break statement). In other words, the left-most one. If we keep track of this left-most GOOD position as a separate variable, we can avoid searching for it in the array. Not only that, but we can stop using the array altogether.
  • Iterating right-to-left, for each position we check if there is a potential jump that reaches a GOOD index (currPosition + nums[currPosition] >= leftmostGoodIndex). If we can reach a GOOD index, then our position is itself GOOD. Also, this new GOOD position will be the new leftmost GOOD index. Iteration continues until the beginning of the array. If first position is a GOOD index then we can reach the last index from the first position.

这种贪婪实际上是对bottom to up动规的一种优化,修改笔者之前动规的状态定义为当前i位置是由前i个位置中某一个位置到达,此时for从最右端开始,那么问题变成**从终点开始,然后向左判断当前位置是否可以到达当前的终点,如果可以就将终点更新为当前位置,再向左判断,直到0位置。**代码如下:

public class Solution {
    public boolean canJump(int[] nums) {
        int lastPos = nums.length - 1;
        for (int i = nums.length - 1; i >= 0; i--) {
            if (i + nums[i] >= lastPos) {
                lastPos = i;
            }
        }
        return lastPos == 0;
    }
}

5. 总结

上面跳跃游戏的贪婪解法实际上就是一种优化后的动态规划。换种角度想:Kruskal、Prim算法或者huffman算法是非常明显的贪婪,因为每个阶段就选择最小或者最大的一个或者几个数,但是最终结果是全局最优。因为贪婪算法同样需要最优子结构和无后效性,所以上面贪婪的选择实际上构造了每个阶段状态的转移方程,从而达到全局最优。
  当然这是笔者的理解,不权威,如果使用贪婪去解决最优问题,笔者个人觉得可行性不高,往往回溯和DP是更好的选择。**但是如果问题没有那么精准,求近似最优解,贪婪将会是非常好的选择。**当然一般编程题不太可能让求approximate solution。

C++正则表达式规则以及贪婪匹配与非贪婪匹配 正则表达式规则,以及贪婪匹配与非贪婪匹配 阅读详情

相关推荐

C#粘包和分包问题及解决方法

一:通过图解法来描述一下分包和粘包,这样客户更清晰直观的了解:  下面对上面的图进行解释:  1.正常情况:如果Socket Client 发送的数据包,在Socket Server端也是一个一个完整接收的,那个就不会出现粘包和分包情况,数据正常读取。  2.粘包情况:Socket Client发送的数据包,在客户端发送和服务器接收的情况下都有可能发送,因为客户端发送的数据都是发送的一个缓冲...

weixin_42033401的博客 7768

动态规划解题入门

动态规划是一种算法思想,刚入门的时候可能感觉十分难以掌握,总是会有看了题不知道怎么做,但是一看答案就恍然大悟的感觉。结合这一段时间的学习,在这里做一下总结。解题思路在解题的过程中,首先可以主动寻找递推关系,比如对当前数组进行逐步拉伸,看新的元素和已有结果是否存在某种关系。 对于没有思路的题目,求解可以分为暴力递归(回溯),记忆性搜索,递归优化,时间或空间最终优化四个阶段。 在碰到一道可以使用动态

yy254117440的博客 2152

如何利用Arcgis进行地统计学分析(三):空间插值方法选择与优化

本文深入探讨了在Arcgis中进行地统计学分析时,如何根据探索性数据分析(EDA)结果科学选择与优化空间插值方法。文章对比了IDW、RBF、克里金等主流方法的适用场景与核心参数,并通过实战案例详解了从数据诊断到模型调优的完整流程,强调结合半变异函数与趋势分析进行“对症下药”,以提升插值结果的精度与可靠性。

weixin_29281915的博客 122

python正则贪婪与非贪婪

目录 一、什么是正则表达式的贪婪与非贪婪匹配 二、编程中如何区分两种模式 三、贪婪匹配 四、非贪婪匹配 五、几个常用的非贪婪匹配 世上只有想不通的人,没有走不通的路。 一、什么是正则表达式的贪婪与非贪婪匹配 String str="abcaxc"; Patter p="ab.*c"; 两种结果 如下: 1.贪婪匹配:正则表达式一般趋向于最大长度匹配,也就是所谓的贪婪匹...

日入上万 1614

WinDbg调试工具安装全攻略:从下载到配置的保姆级教程(Windows 10/11适用)

本文提供了一份详细的WinDbg调试工具安装与配置指南,适用于Windows 10/11用户。文章对比了WinDbg Preview独立版与SDK内置经典版的区别,并手把手指导从Microsoft Store或Windows SDK完成安装。核心部分重点讲解了如何配置符号文件路径与源代码路径,这是让WinDbg发挥强大调试功能的关键步骤,并针对常见安装问题提供了实用的排错方法。

hp777的博客 393

【ESP32CAM+Android+OpenCV】自定义目标数据集、训练自己的OpenCV模型部署到手机APP并对ESP32CAM无线图传显示并实时检测识别目标_资料编号30

本项目实现自定义目标数据集(想检测什么就检测什么,按照本文教程自己来更换目标)、训练自己的OpenCV模型实时检测识别(pycharm工程)。手机APP(Android studio工程)部署OpenCV模型实现对ESP32CAM(arduino工程)无线WIFI图传过来的图像实时检测识别。 本文以火焰检测识别为例进行演示,通过该过程,结合本文可自定义尝试更换为其它目标的检测,例如更换为车辆、车牌、手势、人脸面部活动、人脸表情、火焰烟雾、行人、口罩、行为、水果、植物、农作物、建筑、损伤等等部署进行检测。

嵌入式阿齐Archie 3488

贪婪匹配和非贪婪匹配

贪婪匹配和非贪婪匹配 1. 贪婪匹配 在JS中利用正则表达式时,默认的匹配就是贪婪匹配,也就是尽可能多的去匹配,举个例子: var s = 'aaa'; var regexp = /a+/; // 匹配1个或多个a,贪婪匹配 console.log(regexp.exec(s)[0]); // 'aaa' 在上面的例子中,匹配到了 'aaa' 。 2. 非贪婪匹配 我们同样可以进行非贪婪匹配只需...

happyCoding1024的博客 3113

使用 MATLAB/Simulink + Simscape Electrical + SimPowerSystems + Stateflow,构建一个多能互补微电网系统的动态响应仿真模型

本文详细介绍了使用MATLAB/Simulink构建多能互补微电网动态响应仿真模型的方法。文章从系统架构设计入手,包含光伏、风电、柴油发电机、锂电池储能等多种组件,重点讲解了建模过程、控制策略(下垂控制、PLL、SOC管理)和模式切换逻辑(Stateflow)。通过四种典型场景(负荷突增、光伏出力骤降、并网/孤岛切换、电动机启动)的仿真分析,验证了微电网在动态响应中的关键性能指标,并提出了高可靠性设计建议。该模型为微电网的稳定性分析和优化设计提供了有效工具,特别强调了储能系统在快速功率支撑中的重要作用。

amy_mhd的博客 161

正则基础之--贪婪与非贪婪模式

1        概述 贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为,贪婪模式在整个表达式匹配成功的前提下,尽可能多的匹配,而非贪婪模式在整个表达式匹配成功的前提下,尽可能少的匹配。非贪婪模式只被部分NFA引擎所支持。 属于贪婪模式的量词,也叫做匹配优先量词,包括: “{m,n}”、“{m,}”、“?”、“*”和“+”。 在一些使用NFA引擎的语言中,在匹配优先量词后加上

Day Day Up! 2196

Android Telephony主要模块及功能

Telephony的代码主要由五个模块组成 1.Telephony Frameworks 代码区域: frameworks/opt/telephony/ 其中主要的文件在如下目录 /frameworks/opt/telephony/src/java/com/android/internal/telephony/ 其中比较常见的有以下几类文件 1.BaseCommands、RIL构成R

泊客 7732

手把手教你学SOME/IP「3.2.1.发布/订阅行为」

本文详细介绍了SOME/IP协议中的服务发现机制,重点解析了发布/订阅行为的流程。主要内容包括:1)服务发布与Method通信流程,涵盖find/offer报文交互、TTL保活机制及异常处理;2)服务订阅与Event通信流程,包括subscribe/ack报文交互和组播延迟机制;3)特殊场景如快速发送、半周期回复、重置订阅等机制。通过邮局订阅报纸的类比,帮助理解服务发现的核心原理,并强调流程图对于问题定位的重要性。文章为SOME/IP协议的工程实现提供了实用指导。

nihaoljq2010的博客 1225

正则基础之——贪婪与非贪婪模式

 1        概述贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为,贪婪模式在整个表达式匹配成功的前提下,尽可能多的匹配,而非贪婪模式在整个表达式匹配成功的前提下,尽可能少的匹配。非贪婪模式只被部分NFA引擎所支持。属于贪婪模式的量词,也叫做匹配优先量词,包括:“{m,n}”、“{m,}”、“?”、“*”和“+”。在一些使用NFA引擎的语言中,在匹配优先量词后加上“

雁过无痕 11万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

python中贪婪与非贪婪

Python里数量词默认是贪婪的(在少数语言里默认非贪婪),总是尝试匹配尽可能多的字符,非贪婪则相反,总是尝试尽可能少的字符。 在 “*”, “?”, “+”,"{m,n}" 后面加上?,便贪婪变成非贪婪。 贪婪: """ 1.导入模块 2.通过match方法,验证正则 3.判断、验证是否成功 4.如果成功,获取匹配的结果 """ # 1.导入模块 import re # 2.通过match方法,...

一只菜鸟的博客 652

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

vim中如何贪婪匹配

参考原文:https://blog.csdn.net/jiaolongdy/article/details/40588585 vim中如何贪婪匹配 vim中的匹配实在是不如perl好用,一直想实现非贪婪匹配,今天偶然发现可以用量词匹配来实现,具体可以看:h /{ {n,m} Matches n to m of the preceding atom, as many as possible {n} Matches n of the preceding atom {n,} Matches at least n

Ace's Blog 817

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

python re模块匹配时贪婪和非贪婪模式

python贪婪和非贪婪  正则表达式通常用于在文本中查找匹配的字符串。正则表达式模式中使用到通配字,当它在从左到右的顺序求值时,会尽量“抓取”满足匹配最长字符串。Python里数量词默认是贪婪的(在少数语言里也可能是默认非贪婪),总是尝试匹配尽可能多的字符;非贪婪则相反,总是尝试匹配尽可能少的字符。在"*","?","+","{m,n}"后面加上?,使贪婪变成非贪婪贪婪默认情况下,正则表达式将进...

nnnnnnnali的博客 1万+

python贪婪匹配和非贪婪匹配_贪婪匹配和非贪婪匹配

1.什么是正则表达式的贪婪与非贪婪匹配如:String str="abcaxc";Patter p="ab*c";贪婪匹配:正则表达式一般趋向于最大长度匹配,也就是所谓的贪婪匹配。如上面使用模式p匹配字符串str,结果就是匹配到:abcaxc(ab*c)。非贪婪匹配:就是匹配到结果就好,就少的匹配字符。如上面使用模式p匹配字符串str,结果就是匹配到:abc(ab*c)。2.编程中如何区分两种模式...

weixin_39894914的博客 1221

(JavaScript)贪婪模式和非贪婪模式(懒惰模式)

文章目录 概念 一、贪婪模式与非贪婪模式的内容 二、代码 1.贪婪模式 2.非贪婪模式(懒惰模式) 概念 贪婪和非贪婪(懒惰): JavaScript中正则表达式默认是贪婪的,改成非贪婪(懒惰)的只需要把?加到*+?或者{}后面,将会使用两次变为非贪婪(懒惰)的。 很简单的理解就是,贪婪匹配就是尽可能多的匹配,非贪婪(懒惰)匹配就是尽可能少的匹配 在我们给一个限定符的时候,他会尽可能的去捕获到更多的内容,我们把这个叫做正则的贪婪性。 一、贪婪模式...

Alanx的博客 3346

正则之贪婪和非贪婪(惰性)模式

前言 阅读此文章之前建议先了解常用正则特殊字符 贪婪模式的量词,也叫匹配优先量词,包括: “?”、“*”、“+”、“{n,}”、“{n,m}” 非贪婪模式的量词,也叫忽略优先量词(匹配优先量词后加“?”),包括: “??”、“*?”、“+?”、“{n,}?”、“{n,m}?” 概述 贪婪模式和非贪婪模式影响的是被量词修饰的子表达式的行为,贪婪模式是在整个表达...

ICE39的专栏 2192

转:正则表达式之 贪婪与非贪婪模式详解

正则表达式贪婪与非贪婪模式详解

ayang1986的专栏 2769

python贪婪匹配和非贪婪匹配_Python关于正则贪婪与非贪婪特性的详解

这篇文章主要介绍了Python正则表达式中贪婪/非贪婪特性的相关资料,文中通过示例代码介绍的很详细,对大家具有一定的参考价值,需要的朋友下面来一起看看吧。之前已经简单介绍了Python正则表达式的基础与捕获,那么在这一篇文章里,我将总结一下正则表达式的贪婪/非贪婪特性。贪婪默认情况下,正则表达式将进行贪婪匹配。所谓“贪婪”,其实就是在多种长度的匹配字符串中,选择较长的那一个。例如,如下正则表达式本...

weixin_39641876的博客 535

正则表达式 贪婪与非贪婪匹配

⏹正则表达式 贪婪与非贪婪匹配

菜鸟记录 1486

正则表达式之贪婪匹配与非贪婪匹配

在前面正则表达式匹配规则里,提到了 .* . :匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符,请使用像 '[.\n]' 的模式 * :匹配0个或多个 使用 .* 的话就可以匹配任意长度的任意字符,但是有时候在使用 .*时就可能匹配不到物品们想要的结果,例: import re s='hello 1234567 world' res = re.match('...

流夏_ 4万+

正则表达式之 贪婪与非贪婪模式详解

1 概述 贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为,贪婪模式在整个表达式匹配成功的前提下,尽可能多的匹配,而非贪婪模式在整个表达式匹配成功的前提下,尽可能少的匹配。非贪婪模式只被部分NFA引擎所支持。 属于贪婪模式的量词,也叫做匹配优先量词,包括: “{m,n}”、“{m,}”、“?”、“*”和“+”。 在一些使用NFA引擎的语言中,在匹配优先量词后加上“?”,即变成属于非贪婪模式的...

采菊东篱下,Python满乾坤! 1107

正则表达式的贪婪匹配和非贪婪匹配

即使是面试跳槽,那也是一个学习的过程。只有全面的复习,才能让我们更好的充实自己,武装自己,为自己的面试之路不再坎坷!今天就给大家分享一个Github上全面的Java面试题大全,就是这份面试大全助我拿下大厂Offer,月薪提至30K!我也是第一时间分享出来给大家,希望可以帮助大家都能去往自己心仪的大厂!为金三银四做准备!

shenliba的博客 1090
上一篇: DSAA之图论双连通及割点问题(十一)
下一篇: 从零开始算法篇之分治(二)
LoveStackover
博客等级 码龄9年 14粉丝 57原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值