标签：allAreas 覆盖 地区 k1 电台 算法 broadcasts 数据结构 贪心
应用场景-集合覆盖问题
贪心算法可以解决很多场景的问题，这里以集合覆盖问题为例。
假设存在下面需要付费的广播台，以及广播台信号可以覆盖的地区。如何选择最少的广播台，让所有的地区都可以接收到信号？
| 广播台 | 覆盖地区 |
|---|---|
| K1 | "北京", "上海", "天津" |
| K2 | "广州", "北京", "深圳" |
| K3 | "成都", "上海", "杭州" |
| K4 | "上海", "天津" |
| K5 | "杭州", "大连" |
例如：k4 中有上海、天津，那么我们选择 k1，里面包含了他们，还多了一个地区。
贪心算法介绍
**贪婪算法（贪心算法）（英语：greedy algorithm） **是指在对问题进行求解时，在 每一步选择中都采取最好或者最优(即最有利)的选择，从而希望能够导致结果是最好或者最优的算法
贪婪算法所得到的 结果不一定是最优的结果(有时候会是最优解)，但是都是相对近似(接近)最优解的结果
思路分析
如何找出覆盖所有地区的广播台的集合呢，最容易想到的是使用穷举法实现，列出每个可能的广播台的集合，这被称为 幂集。假设总的有 n 个广播台，则广播台的组合总共有 2ⁿ -1 个,假设每秒可以计算 10 个子集， 如图:
| 广播台数量n | 子集总数2ⁿ | 需要的时间 |
|---|---|---|
| 5 | 32 | 3.2秒 |
| 10 | 1024 | 102.4秒 |
| 32 | 4294967296 | 13.6年 |
| 100 | 1.26*100³º | 4x10²³年 |
由此可见：在进行组合的场景下，使用组合效率是很低的。（注意：子集总数2ⁿ 之所以少了一个减 1，是因为当n很大时，那个减1是可以忽略的）
那么贪心算法的思路如下：
| 广播台 | 覆盖地区 |
|---|---|
| K1 | "北京", "上海", "天津" |
| K2 | "广州", "北京", "深圳" |
| K3 | "成都", "上海", "杭州" |
| K4 | "上海", "天津" |
| K5 | "杭州", "大连" |
目前并没有算法可以快速计算得到准确的值， 使用贪婪算法，则可以得到非常接近的解，并且效率高。选择策略上，因为需要覆盖全部地区的最小集合，思路如下:
-
将所有需要覆盖的地区找出来（allAreas）
也就是所有电台中的覆盖地区去重后的列表
-
遍历所有的广播电台，找到一个 覆盖了最多未覆盖的地区 的电台
此电台可能包含一些已覆盖的地区，但是没有关系。
比如：k1 中有三个地区，在上面找出来的列表中去判定是否覆盖其中的地区，找到则 k1 为 覆盖了最多未覆盖的地区 的电台。（不懂没关系，往后看）
-
将这个电台加入到一个集合中（如 ArrayList），并想办法把该电台覆盖的地区在下次比较时去掉。
比如：前面 k1 为 覆盖了最多未覆盖的地区，把 k1 加到该集合中，并从把 k1 已经覆盖过的地区从 allAreas 中移除
-
重复第 2 步，直到覆盖了全部的地区
图解
给定的广播电台如下
| 广播台 | 覆盖地区 |
|---|---|
| K1 | "北京", "上海", "天津" |
| K2 | "广州", "北京", "深圳" |
| K3 | "成都", "上海", "杭州" |
| K4 | "上海", "天津" |
| K5 | "杭州", "大连" |
-
找出所有需要覆盖的地区
// 遍历所有电台的覆盖区域，然后去重，得到如下列表：共需要覆盖 8 个地区 allAreas = {"北京", "上海", "天津", "广州", "深圳", "成都", "杭州", "大连"} -
遍历广播电台列表：找出一个覆盖了最多地区的电台，重点：如何确定覆盖了最多的电台？
可以这样做：遍历广播台，计算每个电台中覆盖的地区在未覆盖地区列表中，覆盖了几个？
// 所有暂时还未覆盖的地区列表 allAreas = {"北京", "上海", "天津", "广州", "深圳", "成都", "杭州", "大连"}广播台 覆盖地区 覆盖数量（未覆盖地区的数量） K1 "北京", "上海", "天津" 3 K2 "广州", "北京", "深圳" 3 K3 "成都", "上海", "杭州" 3 K4 "上海", "天津" 2 K5 "杭州", "大连" 2 上图覆盖数量计算，例如：k1 覆盖地区有三个，这三个地区现在都在 未覆盖地区（allAreas），所以：k1 的覆盖数量则是 3
-
找到覆盖数量最大的电台（每一步的选择都选择最优）
// 未覆盖地区 allAreas = {"北京", "上海", "天津", "广州", "深圳", "成都", "杭州", "大连"}上第 2 步骤中，计算出的覆盖数量，k1 为最大的（k2 也是 3，但是不大于 k1 的覆盖数量），计为
maxKey，将它添加到 选择列表中，表示该电台已被选择，同时将 k1 中覆盖地区，从 allAreas 列表中去掉，那么现在的情况就如下：// 已选电台 selects = {"k1"} // 未覆盖地区 allAreas = {广州", "深圳", "成都", "杭州", "大连"} -
重新计算未被选择的电台的覆盖数量
// 已选电台 selects = {"k1"} // 未覆盖地区 allAreas = {广州", "深圳", "成都", "杭州", "大连"}广播台 覆盖地区 覆盖数量（未覆盖地区的数量） K1 "北京", "上海", "天津" 0 K2 "广州", "北京", "深圳" 2 K3 "成都", "上海", "杭州" 2 K4 "上海", "天津" 0 K5 "杭州", "大连" 2 注意：因为 k1，已经被选择过，可以不重新对它计数，也可以重新计数，对性能影响不太大。
上图覆盖数量计算，例如：
- k1 覆盖地区有三个，这三个地区现在在 未覆盖地区（allAreas）中一个都没有，所以：k1 的覆盖数量则是 0
- k2 覆盖的确有三个，这三个地区现在在 未覆盖地区（allAreas）中有 2 个：广州、深圳，而北京已经被覆盖掉了（k1），所以：k2 的覆盖数量则是 2
-
找到覆盖数量最大的电台
当前状态：
// 已选择电台 selects = {"k1"} // 所有暂时还未覆盖的地区列表 allAreas = {广州", "深圳", "成都", "杭州", "大连"}
此时找到下一个覆盖数量最大的电台后的状态：
```java
// 已选择电台
selects = {"k1","K2"}
// 所有暂时还未覆盖的地区列表
allAreas = {"成都", "杭州", "大连"}
- ... 以此类推，最后完成状态如下
// 所有暂时还未覆盖的地区列表
selects = {"k1","K2","K3","K5"}
allAreas = {}
代码实现
/**
* 贪心算法
*/
public class GreedyAlgorithm {
/**
* 构建广播电台 与 覆盖的地区
*
* k: 电台
* v：覆盖的地区
*
*
* @return
*/
public Map<String, Set<String>> buildBroadcasts() {
Map<String, Set<String>> broadcasts = new HashMap<>();
Set<String> k1 = new HashSet<>();
k1.add("北京");
k1.add("上海");
k1.add("天津");
Set<String> k2 = new HashSet<>();
k2.add("广州");
k2.add("北京");
k2.add("深圳");
Set<String> k3 = new HashSet<>();
k3.add("成都");
k3.add("上海");
k3.add("杭州");
Set<String> k4 = new HashSet<>();
k4.add("上海");
k4.add("天津");
Set<String> k5 = new HashSet<>();
k5.add("杭州");
k5.add("大连");
broadcasts.put("k1", k1);
broadcasts.put("k2", k2);
broadcasts.put("k3", k3);
broadcasts.put("k4", k4);
broadcasts.put("k5", k5);
return broadcasts;
}
/**
* 贪心算法: 选择最少的电台，覆盖所有的地区
*
* @param broadcasts 电台信息
* @return 返回选择的电台列表
*/
public Set<String> greedy(Map<String, Set<String>> broadcasts) {
// 构建待覆盖的所有地区
Set<String> allAreas = new HashSet<>();
broadcasts.forEach((k, v) -> {
allAreas.addAll(v);
});
System.out.println("需要覆盖的地区：" + allAreas);
// 存放已选择的电台
Set<String> selects = new HashSet<>();
// 当所有需要覆盖的地区还有时，则可以继续选择
String maxKey = null; // 当次覆盖地区最多的电台
int maxKeyCoverNum = 0; // maxKey 覆盖的数量
Set<String> temp = new HashSet<>(); // 临时变量，用于计算电台中的覆盖地区：在剩余要覆盖地区中 覆盖的数量
while (!allAreas.isEmpty()) {
// 选择出当次还未选择中：覆盖地区最多的电台
for (String key : broadcasts.keySet()) {
Set<String> areas = broadcasts.get(key);
temp.addAll(areas);
//求出temp 和 allAreas 集合的交集, 交集会赋给 temp
temp.retainAll(allAreas);
// 如果：当前尝试选择的电台，覆盖数量比 maxKey 还大，则把它设置为 maxKey
if (temp.size() > 0 && temp.size() > maxKeyCoverNum) {
maxKey = key;
maxKeyCoverNum = temp.size();
}
//注意 要清空temp
temp.clear();
}
if (maxKey == null) {
continue;
}
// 循环完成后，找到了本轮的 maxKey
// 添加到已选择列表中，并且从 未覆盖列表 中删除已经覆盖过的地区
selects.add(maxKey);
allAreas.removeAll(broadcasts.get(maxKey));
// 清空临时变量，方便下次查找
maxKey = null;
maxKeyCoverNum = 0;
}
return selects;
}
@Test
public void fun() {
Map<String, Set<String>> broadcasts = buildBroadcasts();
System.out.println("电台列表" + broadcasts);
Set<String> greedy = greedy(broadcasts);
System.out.println("选择好的电台列表：" + greedy);
}
}
测试输出
电台列表{k1=[上海, 天津, 北京], k2=[广州, 北京, 深圳], k3=[成都, 上海, 杭州], k4=[上海, 天津], k5=[大连, 杭州]}
需要覆盖的地区：[成都, 上海, 广州, 天津, 大连, 杭州, 北京, 深圳]y
选择好的电台列表：[k1, k2, k3, k5]
贪婪算法注意事项
贪婪算法所得到的结果 不一定是最优的结果(有时候会是最优解)，但是都是相对近似(接近)最优解的结果
比如上题的算法选出的是 K1, K2, K3, K5，符合覆盖了全部的地区，但是我们发现 K2, K3,K4,K5 也可以覆盖全部地区，如果 K2 的使用成本低于 K1 ，那么我们上题的 K1, K2, K3, K5 虽然是满足条件，但是并不是最优的.
但是笔者觉得上述举例并不是问题：如果加上成本：那么只要在 maxKey 覆盖数量相等的情况下，判定采用成本更低的 key，则可解决这个问题。
总的来说，有需求，必定有解决需求的办法。
标签：allAreas,覆盖,地区,k1,电台,算法,broadcasts,数据结构,贪心 来源： https://www.cnblogs.com/ljz111/p/15333643.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。