内容：
- 如何处理不可能完成的任务；没有快速算法的问题（NP完全问题）
- 学习是被NP完全问题，以免浪费时间去寻找解决他们的快速算法
- 学习近似算法，使用它们可快速中找到NP完全问题的近似解
- 学习贪婪策略——一种非常简单的问题解决策略
8.1教室调度问题
贪婪算法：每步都采取绝不最优解，最终的到的就是全局最优解。
贪婪苏凡并非任何情况下都有效，但它易于实现。
8.2背包问题
贪婪算法并不能得到最优解，但是非常接近。
在有些情况下，完美是优秀的敌人。 有时，只需找到一个单只解决问题的算法啊，此时贪婪算法正好派上用场，其易于实现，得到的结果又与最优结果相当接近。
8.3近似算法
贪婪算法是一种近似算法，在获得精确解需要时间太长时，可使用近似算法。
判断近似算法优劣的标准如下：
- 速度有多快
- 的到的近似解与最优解的接近程度
使用贪婪算法解决广播台覆盖问题。
1 # You pass an array in, and it gets converted to a set. 2 states_needed = set(["mt", "wa", "or", "id", "nv", "ut", "ca", "az"]) 3 4 stations = {} 5 stations["kone"] = set(["id", "nv", "ut"]) 6 stations["ktwo"] = set(["wa", "id", "mt"]) 7 stations["kthree"] = set(["or", "nv", "ca"]) 8 stations["kfour"] = set(["nv", "ut"]) 9 stations["kfive"] = set(["ca", "az"]) 10 11 final_stations = set() 12 13 for station, states in stations.items(): 14 # print "states: ", states 15 print "station: ", station 16 print "\n" 17 18 while states_needed: 19 best_station = None 20 states_covered = set() 21 for station, states in stations.items():#station is index, states is element 22 covered = states_needed & states # get intersection 23 print "covered: ", covered 24 print "states_covered: ", states_covered 25 print "states: ", states 26 print "station: ", station 27 print "***********\n" 28 29 if len(covered) > len(states_covered): 30 best_station = station 31 states_covered = covered 32 33 states_needed -= states_covered 34 final_stations.add(best_station) 35 36 print final_stations
说明：
- 代码中的for循环对广播站进行进行遍历，查找出能覆盖最多州的广播站；
- for循环结束后，把已覆盖的州从集合中删除，更新最终解的集合；
- 如果还有未覆盖的州，继续执行步骤1（第二部中，应该把找到的广播 站删除）；
- 直到没有需要覆盖的州，则查找结束。
8.4 NP完全问题
- 定义：NP完全问题的简单定义是，以难解著称的问题，如旅行商问题和集合覆盖问题。很多人认为，没有可以快速结果这些问题的算法。
- 如何识别：
- 元素较少时算法的运行速度非常快，但随着元素的增加，速度变得非常慢
- 涉及“所有组合”的问题通常是NP完全问题
- 不能将问题分成小问题，必须考虑各种可能的情况，这可能是NP完全问题
- 如果涉及集合且难以解决，它可能是NP完全问题
- 如果问题涉及集合且难以解决，他可能是NP完全问题
- 如果问题可转换为集合覆盖问题或旅行商问题，它肯定是NP完全问题
8.5小结
- 贪婪算法寻找局部最优解，企图以这种方式获得全局最优解
- 对于NP完全问题，还没有找到快速解决方案
- 面临NP完全问题时，最佳的做法是使用近似算法
- 贪婪算法易于实现、运行速度快，是不错的近似算法