python分餅干貪心

Ⅰ 學習python必備的8本書,你看過幾本-簡書

1．Python Cookbook

如果你在編寫Python3程序時需要幫助，或者想更新老的Python2代碼，這本書正是你所需要的。這本書包含了大量使用Python3.3編寫並測試過的實用編程技巧。對於那些關注現代工具和慣用技巧的有經驗的Python程序員來說，這本書無可替代。

此書是矽谷創業之父PaulGraham的文集，主要介紹黑客即優秀程序員的愛好和動機，討論黑客成長、黑客對世界的貢獻以及編程語言和黑客工作方法等所有對計算機時代感興趣的人的一些話題。書中的內容不但有助於了解計算機編程的本質、互聯網行業的規則，還會幫助讀者了解我們所在的時代，迫使讀者獨立思考。本書適合所有程序員和互聯網創業者，也適合一切對計算機行業感興趣的讀者。

Ⅱ 演算法訓練 石子游戲 python

演算法訓練 石子 游戲

問題描述

石子 游戲 的規則如下：

地上有n堆石子，每次操作可選取兩堆石子（石子斗迅個數分別為x和y）並將它們合並，操作的得分記為(x+1) (y+1)，對地上的石子堆進行操作直到只剩下一堆石子時停止 游戲 。

請問在整個 游戲 過程中操作的總得分的最大值是多少？

輸入格式

輸入數據的第一行為整數n，表示地上的石子堆數；第二行至第n+1行是每堆石子的個數。

輸出格式

程序輸出一行，為 游戲 總得分的最大值。

樣例輸入

10

5105

19400

27309

19892

27814

25129

19272

12517

25419

4053

樣例輸出

15212676150

數據規模和約定

1 n 1000，1 一堆中石子數 50000

思路：

運用貪心演算法思想，每次都取石子數量最多和第二多的兩堆石子進行合並操作（進行排序操作後取前兩個數），即可得到每次操作的得分磨喚為最大，最後再將每次的操作得分最大值相加求和即可得到整個 游戲 過程中操作的總得分的最大值。

代碼：

歡迎大家採納和指正！

更多內容請持續關注該賬號空游此或CSDN的 RuthlessL！

Ⅲ 求python用貪心演算法實現01背包問題代碼

numpy是科學計算用的。主要是那個array，比較節約內存，而且矩陣運算方便。成為python科學計算的利器。matplotlib是用於可視化的。只先學會XY的散點圖，再加一個柱狀圖就可以了。其它的都可以暫時不學。幾句話就成了。不用找本書。找個例子代碼看完就會了。這兩個只是計算用的。與機器學習有點兒關聯。但還不是機器學習。 機器學習演算法你可以使用R project，那個函數庫更多些。 你要肯下功夫啃代碼，最慢1小時就能掌握 numpy和matplotlib。如果你覺著難，總是想繞圈圈，想容易些，就很難弄會它。也許幾天才會。

Ⅳ python裡面什麼是貪婪

Python裡面的貪婪演算法（又稱貪心演算法）是指，在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，/不從整體最優上加以考慮，他所做出的是在某種意義上的局部最優解。

貪心演算法不是搏孫對所有問題都能得到整體最優解，關鍵是貪心策略的選擇，選擇的貪心策略必須具備無後效性，即某個狀態以前的過程不會影響以後的狀態，只與當前狀態有關。

基本思路

思想

貪心演算法的基本思路是從問題的某一個初始解出發一步一步地進行，根據某個優化測度，每一步都要確保能獲得局部最優解。每一步只考慮一個數據，他的選取應該滿足局部優化的條件。若下一個數據和部分最優解連在一起不再是可行解時，就不把該數據添加到部分解中，直到把所有數據枚舉完，或者不能再添加演算法停止 。貪心演算法（又稱貪婪演算法）是指，在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，他所做出的是在某種意義上的局部最優解。

貪心演算法不是對所有問題都能得到整體最優解，關鍵是貪心策略的選擇，選擇的貪心策略必須具備無後效性，即某個狀態以前的過程不會影響以後的狀態，只與當前狀態有關。

基本思路

思想

貪心演算法的基本思路是從問題的某一個初始解出發一步一步地進行，根據某個優化測度，每一步都要確保能獲得局部最優解。每一步只考慮一個數據，他的選取應該滿足局部優化的條件。若下一個數據和部分最優解連在一起不再是可行解時，就不把該數據添加到部分解中，直到把所有數據枚舉完，或者不能再添加演算法停止 。貪心演算法彎銀鎮（又稱貪婪演算法）是指，在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，他所做出的是在某種意義上的局部最優解。

貪心演算法不是對所有問題都能得到整體最優解，關鍵是貪心策略的選擇，選擇的貪心策略必須具備無後效性，即某個狀態以前的過程不會影響以後的狀態，只與當前狀態有關。

基本思路

思想

貪心演算法的基本思路埋粗是從問題的某一個初始解出發一步一步地進行，根據某個優化測度，每一步都要確保能獲得局部最優解。每一步只考慮一個數據，他的選取應該滿足局部優化的條件。若下一個數據和部分最優解連在一起不再是可行解時，就不把該數據添加到部分解中，直到把所有數據枚舉完，或者不能再添加演算法停止 。

Ⅳ 演算法09-貪心演算法

貪心演算法與動態規劃的不同在於它對每個子問題的解決方案都作出選擇，不能回退。動態規劃則會保存以前的運算結果，並根據以前的結果對當前進行選擇，有回退功能。

很多情況下，可以在某一步用貪心演算法，全局再加一個搜索或遞歸或動態規劃之類

貪心法可以解決一些最優化問題，如:求圖中的最小生成樹、求哈夫曼編碼等。然而對於工程和生活中的問題，貪心法一般不能得到我們所要求的答案。
一單一個問題可以通過貪心法來解決，那麼貪心法一般是解決這個問題的最好辦法。由於貪心法的高效性以及其所求得的答案比較接近最優結果，貪心法也可以用作輔助演算法或者直接解決一些要求結果不特別精確的問題。

當硬幣可選集合固定:Coins = [20,10,5,1],求最少幾個硬幣可以拼出總數。比如total=36。
36 - 20 = 16 20
16 - 10 = 6 20 10
6 - 5 = 1 20 10 5
1 - 1 = 0 20 10 5 1
前面這些硬幣依次是後面硬幣的整數倍，可以用貪心法，能得到最優解，

貪心法的反例
非整除關系的硬幣，可選集合:Coins = [10,9,1],求拼出總數為18最少需要幾個硬幣？
最優化演算法:9 + 9 = 18 兩個9
貪心演算法:18 - 10 = 8 - 1 - 1 - 1 - 1 - 1 - 1 - 1 - 1 = 0 八個1

簡單地說，問題能夠分解成子問題來解決，子問題的最優解能遞推到最終問題的最優解。這種子問題最優解成為最優子結構。
貪心演算法與動態規劃的不同在於它對每個子問題的最終方案都作出選擇，不能回退。
動態規劃則會保存以前的運算結果，並根據以前的結果對當前進行選擇，有回退功能。

假設你是一位很棒的家長，想要給你的孩子們一些小餅干。但是，每個孩子最多隻能給一塊餅干。
對每個孩子 i，都有一個胃口值 g[i]，這是能讓孩子們滿足胃口的餅乾的最小尺寸；並且每塊餅干 j，都有一個尺寸 s[j] 。如果 s[j] >= g[i]，我們可以將這個餅干 j 分配給孩子 i ，這個孩子會得到滿足。你的目標是盡可能滿足越多數量的孩子，並輸出這個最大數值。
示例 1:
輸入: g = [1,2,3], s = [1,1]
輸出: 1
解釋:
你有三個孩子和兩塊小餅干，3個孩子的胃口值分別是：1,2,3。
雖然你有兩塊小餅干，由於他們的尺寸都是1，你只能讓胃口值是1的孩子滿足。
所以你應該輸出1。
示例 2:
輸入: g = [1,2], s = [1,2,3]
輸出: 2
解釋:
你有兩個孩子和三塊小餅干，2個孩子的胃口值分別是1,2。
你擁有的餅干數量和尺寸都足以讓所有孩子滿足。
所以你應該輸出2.
提示：
1 <= g.length <= 3 * 104
0 <= s.length <= 3 * 104
1 <= g[i], s[j] <= 231 - 1

給定一個數組，它的第 i 個元素是一支給定股票第 i 天的價格。
設計一個演算法來計算你所能獲取的最大利潤。你可以盡可能地完成更多的交易（多次買賣一支股票）。
注意：你不能同時參與多筆交易（你必須在再次購買前出售掉之前的股票）。
示例 1:
輸入: [7,1,5,3,6,4]
輸出: 7
解釋: 在第 2 天（股票價格 = 1）的時候買入，在第 3 天（股票價格 = 5）的時候賣出, 這筆交易所能獲得利潤 = 5-1 = 4 。
隨後，在第 4 天（股票價格 = 3）的時候買入，在第 5 天（股票價格 = 6）的時候賣出, 這筆交易所能獲得利潤 = 6-3 = 3 。
示例 2:
輸入: [1,2,3,4,5]
輸出: 4
解釋: 在第 1 天（股票價格 = 1）的時候買入，在第 5 天 （股票價格 = 5）的時候賣出, 這筆交易所能獲得利潤 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接連購買股票，之後再將它們賣出。
因為這樣屬於同時參與了多筆交易，你必須在再次購買前出售掉之前的股票。
示例 3:
輸入: [7,6,4,3,1]
輸出: 0
解釋: 在這種情況下, 沒有交易完成, 所以最大利潤為 0。

給定一個非負整數數組 nums ，你最初位於數組的 第一個下標 。
數組中的每個元素代表你在該位置可以跳躍的最大長度。
判斷你是否能夠到達最後一個下標。
示例 1：
輸入：nums = [2,3,1,1,4]
輸出：true
解釋：可以先跳 1 步，從下標 0 到達下標 1, 然後再從下標 1 跳 3 步到達最後一個下標。
示例 2：
輸入：nums = [3,2,1,0,4]
輸出：false
解釋：無論怎樣，總會到達下標為 3 的位置。但該下標的最大跳躍長度是 0 ， 所以永遠不可能到達最後一個下標。

給定一個非負整數數組，你最初位於數組的第一個位置。
數組中的每個元素代表你在該位置可以跳躍的最大長度。
你的目標是使用最少的跳躍次數到達數組的最後一個位置。
示例:
輸入: [2,3,1,1,4]
輸出: 2
解釋: 跳到最後一個位置的最小跳躍數是 2。
從下標為 0 跳到下標為 1 的位置，跳 1 步，然後跳 3 步到達數組的最後一個位置。
說明:
假設你總是可以到達數組的最後一個位置。
移動下標只要遇到當前覆蓋最遠距離的下標，直接步數加一，不考慮是不是終點的情況。
想要達到這樣的效果，只要讓移動下標，最大隻能移動到nums.size - 2的地方就可以了。
因為當移動下標指向nums.size - 2時：
如果移動下標等於當前覆蓋最大距離下標， 需要再走一步（即ans++），因為最後一步一定是可以到的終點。（題目假設總是可以到達數組的最後一個位置），如圖：

如果移動下標不等於當前覆蓋最大距離下標，說明當前覆蓋最遠距離就可以直接達到終點了，不需要再走一步。如圖：

機器人在一個無限大小的 XY 網格平面上行走，從點 (0, 0) 處開始出發，面向北方。該機器人可以接收以下三種類型的命令 commands ：
-2 ：向左轉 90 度
-1 ：向右轉 90 度
1 <= x <= 9 ：向前移動 x 個單位長度
在網格上有一些格子被視為障礙物 obstacles 。第 i 個障礙物位於網格點 obstacles[i] = (xi, yi) 。
機器人無法走到障礙物上，它將會停留在障礙物的前一個網格方塊上，但仍然可以繼續嘗試進行該路線的其餘部分。
返回從原點到機器人所有經過的路徑點（坐標為整數）的最大歐式距離的平方。（即，如果距離為 5 ，則返回 25 ）
注意：
北表示 +Y 方向。
東表示 +X 方向。
南表示 -Y 方向。
西表示 -X 方向。
示例 1：
輸入：commands = [4,-1,3], obstacles = []
輸出：25
解釋：
機器人開始位於 (0, 0)：

在檸檬水攤上，每一杯檸檬水的售價為 5 美元。
顧客排隊購買你的產品，（按賬單 bills 支付的順序）一次購買一杯。
每位顧客只買一杯檸檬水，然後向你付 5 美元、10 美元或 20 美元。你必須給每個顧客正確找零，也就是說凈交易是每位顧客向你支付 5 美元。
注意，一開始你手頭沒有任何零錢。
如果你能給每位顧客正確找零，返回 true ，否則返回 false 。
示例 1：
輸入：[5,5,5,10,20]
輸出：true
解釋：
前 3 位顧客那裡，我們按順序收取 3 張 5 美元的鈔票。
第 4 位顧客那裡，我們收取一張 10 美元的鈔票，並返還 5 美元。
第 5 位顧客那裡，我們找還一張 10 美元的鈔票和一張 5 美元的鈔票。
由於所有客戶都得到了正確的找零，所以我們輸出 true。
示例 2：
輸入：[5,5,10]
輸出：true
示例 3：
輸入：[10,10]
輸出：false
示例 4：
輸入：[5,5,10,10,20]
輸出：false
解釋：
前 2 位顧客那裡，我們按順序收取 2 張 5 美元的鈔票。
對於接下來的 2 位顧客，我們收取一張 10 美元的鈔票，然後返還 5 美元。
對於最後一位顧客，我們無法退回 15 美元，因為我們現在只有兩張 10 美元的鈔票。
由於不是每位顧客都得到了正確的找零，所以答案是 false。

給定不同面額的硬幣 coins 和一個總金額 amount。編寫一個函數來計算可以湊成總金額所需的最少的硬幣個數。如果沒有任何一種硬幣組合能組成總金額，返回 -1。
你可以認為每種硬幣的數量是無限的。
示例 1：
輸入：coins = [1, 2, 5], amount = 11
輸出：3
解釋：11 = 5 + 5 + 1
示例 2：
輸入：coins = [2], amount = 3
輸出：-1
示例 3：
輸入：coins = [1], amount = 0
輸出：0
示例 4：
輸入：coins = [1], amount = 1
輸出：1
示例 5：
輸入：coins = [1], amount = 2
輸出：2

Ⅵ python初學者if為什麼不執行

代碼修改如圖：

問題在於a沒有賦值，永遠等於0，所以不會提示花了多少錢

Ⅶ 學習Python 用哪本書好

1.《Python編程：從入門到實踐》
這本書算是比較全面系統的入門Python教程。基本的概念解釋得算是比較不錯的，我們知道，對於零基礎學習編程的人來說，基礎的概念是最關鍵也是最重要的一部分，誰能把基本的概念講得通俗易懂，那麼誰也就自然受歡迎了。
2.《像計算機科學家一樣思考Python》
本書更多的是想培養讀者以計侍手算機科學家一樣的思維方式來理解Python語言編程。貫穿全書的主體是如何思考、設計、開發的方法。從基本的編程概念開始，一步步引導讀扒槐者了解Python語言，再逐漸掌握函數、遞歸、數據結構和面向對象設計等高階概念。
3.《Python編程：從入門到實踐》
2016年出版的書，基於春談友 Python3.5 同時也兼顧 Python2.7 ，書中涵蓋的內容是比較精簡的，沒有艱深晦澀的概念，每個小結都附帶練習題，它可以幫助你更快的上手編寫程序，解決實際編程問題，上到有編程基礎的程序員，下到10歲少年，想入門Python並達到可以開發實際項目的水平，這本書都是個不錯的選擇。
4.《Python核心編程第三版（中文版）》
該書向讀者介紹了這種語言的核心內容，並展示了Python語言可以完成哪些任務。其主要內容包括：語法和編程風格、Python語言的對象、Web程序設計、執行環境等。該書條理清晰、通俗易懂，是學習Python語言的最好教材及參考手冊。所附光碟包括Python語言最新的三個版本及書中示例代碼。
5.《Python演算法教程》
Python演算法教程用Python語言來講解演算法的分析和設計。本書主要關注經典的演算法，但同時會為讀者理解基本演算法問題和解決問題打下很好的基礎。全書共11章。分別介紹了樹、圖、計數問題、歸納遞歸、遍歷、分解合並、貪心演算法、復雜依賴、Dijkstra演算法、匹配切割問題以及困難問題及其稀釋等內容。本書在每一章結束的時候均有練習題和參考資料，這為讀者的自我檢查以及進一步學習提供了較多的便利。在全書的結尾，給出了練習題的提示，方便讀者進行查漏補缺。

Ⅷ python 演算法有哪些比賽

演算法是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。簡單來講，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。包括這幾類：
1.
選擇排序演算法：選擇排序是一種簡單直觀的排序演算法。原理：首先在未排序序列中找到最小或最大元素，存放到排序序列的起始位置;然後，再從剩餘未排序元素中繼續尋找最大最小元素，然後放到已排序序列的後面，以此類推直到所有元素均排序完畢。
2.
快速排序演算法：快速排序的運行速度快於選擇排序。原理：設要排序的數組為N，首先任意選取一個數據作為關鍵數據，然後將所有比它小的數放到它前面，所有比它大的數都放到它後面，這個過程稱之為快速排序。
3. 二分查找演算法：二分查找的輸入是一個有序的列表，如果要查找的元素包含在一個有序列表中，二分查找可以返回其位置。
4.
廣度優先搜索演算法：屬於一種圖演算法，圖由節點和邊組成。一個節點可以與多個節點連接，這些節點稱為鄰居。它可以解決兩類問題：第一類是從節點A出發，在沒有前往節點B的路徑;第二類問題是從節點A出發，前往B節點的哪條路徑最短。使用廣度優先搜索演算法的前提是圖的邊沒有權值，即該演算法只用於非加權圖中，如果圖的邊有權值的話就應該使用狄克斯特拉演算法來查找最短路徑。
5.
貪婪演算法：又叫做貪心演算法，對於沒有快速演算法的問題，就只能選擇近似演算法，貪婪演算法尋找局部最優解，並企圖以這種方式獲得全局最優解，它易於實現、運行速度快，是一種不錯的近似演算法。

Ⅸ 關於旅行家TSP問題的幾種演算法 python

問題描述不展開了，感興趣可以自己搜一下。csdn上這蔽跡篇文章介紹的很詳細，可以看一下 ， http://blog.csdn.net/q345852047/article/details/6626684 感燃譽謝作者辛勤碼字，我就偷懶啦～

1.貪心

c=[[0,3,1,5,8],
[3,0,6,7,9],
[1,6,0,4,2],
[5,7,4,0,3],
[8,9,2,3,0]]
n=len(c)

d=[[0 for j in range(2**(n-1))] for i in range(n)]
for i in range(1,n): # 1234
d[i][0]=c[i][0]

"""0 000 {}
1 001 {1}
2 002 {2}
3 011 {1,2}
4 100 {3}
5 101 {1,3}
6 110 {2,3}
7 111 {1,2,3}
"""

def judge(i,j):#3=1+2 5=101 1+3 6=3+2
involve=(i&j)==0#結果為0說明不包含
return involve #若j不宏段並包含i 返回true

def find_vertex(j):
vertexs=[]#j包含哪幾個頂點
for v in range(n-1):
if (2 v)&j!=0:#0123 2 i表示頂點i+1
vertexs.append(v+1) #說明j包含頂點v+1
return vertexs

for j in range(2 (n-1)):# j從0-15
for i in range(1,n):# 1234
temp=[]
vertexes=find_vertex(j)
if i not in vertexes:
for k in vertexes:
temp.append(c[i][k]+d[k][j-2 (k-1)])
if temp:
d[i][j]=min(temp)
print(d[i][j])

temp=[]
for k in find_vertex(2 (n-1)-1):
j=2 (n-1)-1
new_j=2 (n-1)-1-2 (k-1)
temp.append(c[0][k]+d[k][new_j])
d[0][2**(n-1)-1]=min(temp)

print("Shortest path length:",d[0][2**(n-1)-1])
for row in d:
for col in row:
print(str(col)+" ",end="")
print()