神奇的演算法 - Greedy Algorithm
Preface
還記得之前上演算法的時候，最看不懂的東西就是貪婪法了
不過其實他的核心概念很簡單，寫起來也簡單
趁著還記得細節的時候，把它紀錄起來
Introduction to Greedy Algorithm
貪婪演算法，顧名思義，這種演算法的概念是以 “貪婪” 為優先選擇
什麼意思呢
貪婪的表現是 不會考慮後果的
不考慮後果只注重當下的最佳選擇，就是貪婪演算法的核心概念
也因此，貪婪法 並不會都給出最佳解
只考慮當下最優解
換句話說就是，它不會折返重新計算有沒有更好的方法
但是找零錢的問題，是個典型貪婪法能夠提供最佳解的題目
通常來說，找錢一定從大面額到小面額
比如說，125 可以拆成 100 * 1 + 10 * 2 + 5 * 1
這個例子，你貪婪的對象就是 面額的大小
因此在這個狀況下，貪婪法可以給出最佳解
不過如果題目稍微變形一下，就不一定了
比方說題目要求，回傳的硬幣數量要是最小的，那貪婪法就不一定有用了
假設你擁有 1, 5, 10, 20 以及 25 的硬幣，那麼 41 塊可以有兩種找錢的方式
-
(25 * 1) + (10 * 1) + (5 * 1) + (1 * 1)
4 枚硬幣 -
(20 * 2) + (1 * 1) 3 枚硬幣
可以看到，貪婪法失效了
Is Greedy Algorithm Useless?
既然貪婪法不一定能給出全局最佳解
那它實際上的用處在哪呢？ 是不是就沒有用了
其實不然，雖然不一定能給出全域最佳解
但由於貪婪法他的實作容易而且執行速度較快
它能夠一定程度給你解法，即使它不是最好的答案
最後就是針對一些 real time 的 application 它可能需要邊執行邊做決定的那種
貪婪法可以給到 當下最優解
When to Use Greedy Algorithm
其實這個相比其他題目，貪婪法好像沒有一個準確的準則說這題一定可以用
但一個比較好的 guideline 是你不需要找到全域最佳解，一個足夠好的答案如果也可以接受的話，也可以使用
另一個通則則是區域最佳解對之後的選擇影響不大
LeetCode 55. Jump Game
這題其實還滿好玩的，如果能夠不看答案寫出來我相信你就理解貪婪法了
題目是這樣子的
給你一個 array, 每個 array[i] 都代表著能夠跳躍的最大距離
請你求出，你能不能從 起點 跳到 終點?
他的第一個範例是這樣的
Input: nums =
[2,3,1,1,4]
Output: true
Explanation: Jump 1 step from index 0 to 1, then 3 steps to the last index.
我當初看到這個範例覺的它怪怪的
我們已經知道他是貪婪法了，可是為什麼他的執行過程看起來一點都不貪婪？
在第 0 個位置的時候，你明明可以跳兩步，但為什麼你只跳一步呢？
如果你嘗試用貪婪法下去模擬，你會發現你可以這樣走
index 0(2) index 2(1) index 3(1) index 4(4)
這樣走也會到終點
所以這題要怎麼解
目標是走到終點，要思考的點是我們怎麼樣會走不到終點？
如果跳躍距離為 0，是不是就沒辦法往前走了？
所以我們要貪婪的對象，是目標的數值不能為 0
所以他的貪婪核心算法理論上應該長這樣
counter := nums[i]
for counter > 0 {
if i + counter >= len(nums) - 1 {
return true
}
if nums[i + counter] != 0 {
i += counter
break
}
counter -= 1
}
滿簡單的對吧
基本上就是看落點有沒有可能是 0(亦即我們走不到終點)
如果它不是 0 我們就拿到下一個落點位置 counter 了
之後就把當前位置加上 counter offset 一直走就知道結果了
當你寫完的時候，你可能會發現有問題
[3,0,8,2,0,0,1] 這個測資居然是錯的
實際走一次看看問題在哪
我們的貪婪法實際執行過程如下
index 0(3) index 3(2) index 5(0)
是 false 他到不了
但你如果手動走走看你會發現你是這樣走的
index 0(3) index 2(8) 
他是可以到終點的
很明顯我們的算法有問題
只考慮非 0 的落點很顯然不夠貪婪
你要找的當前落點必須是你能夠達到的最遠距離
所以提早 break 是不行的
counter := nums[i]
maxJump := 0
maxJumpV := 0
for counter > 0 {
if i + counter >= len(nums) - 1 {
return true
}
if nums[i + counter] != 0 {
if nums[i + counter] > maxJumpV {
maxJumpV = nums[i + counter]
maxJump = counter
}
}
counter -= 1
}
但這樣仍然不夠貪婪！
沒錯，上面的解法仍然會錯
[4,2,0,0,1,1,4,4,4,0,4,0] 這個測資即使你選了當前能夠跳躍最遠距離的仍然會錯
為什麼?
因為我們少考慮了原本跳躍的距離
在 index 0 的時候我們最大跳躍距離是 4, 在 index 1 到 index 4 之中
他們的跳躍距離分別是 [2, 0, 0, 1]，很明顯之中的最大距離是 2
但如果我們選擇 index 1, 總共能跳躍的距離是 1 + 2
你要先從 index 0 到 index 1, index 1 才能最多往後跳 2
但如果你選擇 index 4, 總共能跳躍的距離是 4 + 1
從 index 0 到 index 4, index 4 在往後跳 1
很明顯的，我們要考慮的當前最佳解是 當前跳躍距離 + 落點能提供的跳躍距離
回到它給的範例，其實他的算法是貪婪的，不過它貪婪的對象 不僅限於當前跳躍距離 而已
所以完整的算法應該是這個樣子的
counter := nums[i]
maxJV := 0
maxJ := 0
for counter > 0 {
if i >= size - 1 || i + counter >= size - 1 {
return true
}
if nums[i + counter] != 0 &&
counter + nums[i + counter] > maxJV {
maxJV = counter + nums[i + counter]
maxJ = counter
}
counter -= 1
}
當前跳躍距離(counter) + 落點能提供的跳躍距離(nums[i + counter]) 才是最貪婪的當前最佳解
因此只要找到最大的數值，我們就能夠知道你該跳多少了(maxJ)
Leave a comment