python分饼干贪心

Ⅰ 学习python必备的8本书,你看过几本-简书

1．Python Cookbook

如果你在编写Python3程序时需要帮助，或者想更新老的Python2代码，这本书正是你所需要的。这本书包含了大量使用Python3.3编写并测试过的实用编程技巧。对于那些关注现代工具和惯用技巧的有经验的Python程序员来说，这本书无可替代。

此书是硅谷创业之父PaulGraham的文集，主要介绍黑客即优秀程序员的爱好和动机，讨论黑客成长、黑客对世界的贡献以及编程语言和黑客工作方法等所有对计算机时代感兴趣的人的一些话题。书中的内容不但有助于了解计算机编程的本质、互联网行业的规则，还会帮助读者了解我们所在的时代，迫使读者独立思考。本书适合所有程序员和互联网创业者，也适合一切对计算机行业感兴趣的读者。

Ⅱ 算法训练 石子游戏 python

算法训练 石子 游戏

问题描述

石子 游戏 的规则如下：

地上有n堆石子，每次操作可选取两堆石子（石子斗迅个数分别为x和y）并将它们合并，操作的得分记为(x+1) (y+1)，对地上的石子堆进行操作直到只剩下一堆石子时停止 游戏 。

请问在整个 游戏 过程中操作的总得分的最大值是多少？

输入格式

输入数据的第一行为整数n，表示地上的石子堆数；第二行至第n+1行是每堆石子的个数。

输出格式

程序输出一行，为 游戏 总得分的最大值。

样例输入

10

5105

19400

27309

19892

27814

25129

19272

12517

25419

4053

样例输出

15212676150

数据规模和约定

1 n 1000，1 一堆中石子数 50000

思路：

运用贪心算法思想，每次都取石子数量最多和第二多的两堆石子进行合并操作（进行排序操作后取前两个数），即可得到每次操作的得分磨唤为最大，最后再将每次的操作得分最大值相加求和即可得到整个 游戏 过程中操作的总得分的最大值。

代码：

欢迎大家采纳和指正！

更多内容请持续关注该账号空游此或CSDN的 RuthlessL！

Ⅲ 求python用贪心算法实现01背包问题代码

numpy是科学计算用的。主要是那个array，比较节约内存，而且矩阵运算方便。成为python科学计算的利器。matplotlib是用于可视化的。只先学会XY的散点图，再加一个柱状图就可以了。其它的都可以暂时不学。几句话就成了。不用找本书。找个例子代码看完就会了。这两个只是计算用的。与机器学习有点儿关联。但还不是机器学习。 机器学习算法你可以使用R project，那个函数库更多些。 你要肯下功夫啃代码，最慢1小时就能掌握 numpy和matplotlib。如果你觉着难，总是想绕圈圈，想容易些，就很难弄会它。也许几天才会。

Ⅳ python里面什么是贪婪

Python里面的贪婪算法（又称贪心算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，/不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是搏孙对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

基本思路

思想

贪心算法的基本思路是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止 。贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

基本思路

思想

贪心算法的基本思路是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止 。贪心算法弯银镇（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

基本思路

思想

贪心算法的基本思路埋粗是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止 。

Ⅳ 算法09-贪心算法

贪心算法与动态规划的不同在于它对每个子问题的解决方案都作出选择，不能回退。动态规划则会保存以前的运算结果，并根据以前的结果对当前进行选择，有回退功能。

很多情况下，可以在某一步用贪心算法，全局再加一个搜索或递归或动态规划之类

贪心法可以解决一些最优化问题，如:求图中的最小生成树、求哈夫曼编码等。然而对于工程和生活中的问题，贪心法一般不能得到我们所要求的答案。
一单一个问题可以通过贪心法来解决，那么贪心法一般是解决这个问题的最好办法。由于贪心法的高效性以及其所求得的答案比较接近最优结果，贪心法也可以用作辅助算法或者直接解决一些要求结果不特别精确的问题。

当硬币可选集合固定:Coins = [20,10,5,1],求最少几个硬币可以拼出总数。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
前面这些硬币依次是后面硬币的整数倍，可以用贪心法，能得到最优解，

贪心法的反例
非整除关系的硬币，可选集合:Coins = [10,9,1],求拼出总数为18最少需要几个硬币？
最优化算法:9 + 9 = 18 两个9
贪心算法:18 - 10 = 8 - 1 - 1 - 1 - 1 - 1 - 1 - 1 - 1 = 0 八个1

简单地说，问题能够分解成子问题来解决，子问题的最优解能递推到最终问题的最优解。这种子问题最优解成为最优子结构。
贪心算法与动态规划的不同在于它对每个子问题的最终方案都作出选择，不能回退。
动态规划则会保存以前的运算结果，并根据以前的结果对当前进行选择，有回退功能。

假设你是一位很棒的家长，想要给你的孩子们一些小饼干。但是，每个孩子最多只能给一块饼干。
对每个孩子 i，都有一个胃口值 g[i]，这是能让孩子们满足胃口的饼干的最小尺寸；并且每块饼干 j，都有一个尺寸 s[j] 。如果 s[j] >= g[i]，我们可以将这个饼干 j 分配给孩子 i ，这个孩子会得到满足。你的目标是尽可能满足越多数量的孩子，并输出这个最大数值。
示例 1:
输入: g = [1,2,3], s = [1,1]
输出: 1
解释:
你有三个孩子和两块小饼干，3个孩子的胃口值分别是：1,2,3。
虽然你有两块小饼干，由于他们的尺寸都是1，你只能让胃口值是1的孩子满足。
所以你应该输出1。
示例 2:
输入: g = [1,2], s = [1,2,3]
输出: 2
解释:
你有两个孩子和三块小饼干，2个孩子的胃口值分别是1,2。
你拥有的饼干数量和尺寸都足以让所有孩子满足。
所以你应该输出2.
提示：
1 <= g.length <= 3 * 104
0 <= s.length <= 3 * 104
1 <= g[i], s[j] <= 231 - 1

给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。
设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易（多次买卖一支股票）。
注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。
示例 1:
输入: [7,1,5,3,6,4]
输出: 7
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。
示例 2:
输入: [1,2,3,4,5]
输出: 4
解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。
因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。
示例 3:
输入: [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

给定一个非负整数数组 nums ，你最初位于数组的 第一个下标 。
数组中的每个元素代表你在该位置可以跳跃的最大长度。
判断你是否能够到达最后一个下标。
示例 1：
输入：nums = [2,3,1,1,4]
输出：true
解释：可以先跳 1 步，从下标 0 到达下标 1, 然后再从下标 1 跳 3 步到达最后一个下标。
示例 2：
输入：nums = [3,2,1,0,4]
输出：false
解释：无论怎样，总会到达下标为 3 的位置。但该下标的最大跳跃长度是 0 ， 所以永远不可能到达最后一个下标。

给定一个非负整数数组，你最初位于数组的第一个位置。
数组中的每个元素代表你在该位置可以跳跃的最大长度。
你的目标是使用最少的跳跃次数到达数组的最后一个位置。
示例:
输入: [2,3,1,1,4]
输出: 2
解释: 跳到最后一个位置的最小跳跃数是 2。
从下标为 0 跳到下标为 1 的位置，跳 1 步，然后跳 3 步到达数组的最后一个位置。
说明:
假设你总是可以到达数组的最后一个位置。
移动下标只要遇到当前覆盖最远距离的下标，直接步数加一，不考虑是不是终点的情况。
想要达到这样的效果，只要让移动下标，最大只能移动到nums.size - 2的地方就可以了。
因为当移动下标指向nums.size - 2时：
如果移动下标等于当前覆盖最大距离下标， 需要再走一步（即ans++），因为最后一步一定是可以到的终点。（题目假设总是可以到达数组的最后一个位置），如图：

如果移动下标不等于当前覆盖最大距离下标，说明当前覆盖最远距离就可以直接达到终点了，不需要再走一步。如图：

机器人在一个无限大小的 XY 网格平面上行走，从点 (0, 0) 处开始出发，面向北方。该机器人可以接收以下三种类型的命令 commands ：
-2 ：向左转 90 度
-1 ：向右转 90 度
1 <= x <= 9 ：向前移动 x 个单位长度
在网格上有一些格子被视为障碍物 obstacles 。第 i 个障碍物位于网格点 obstacles[i] = (xi, yi) 。
机器人无法走到障碍物上，它将会停留在障碍物的前一个网格方块上，但仍然可以继续尝试进行该路线的其余部分。
返回从原点到机器人所有经过的路径点（坐标为整数）的最大欧式距离的平方。（即，如果距离为 5 ，则返回 25 ）
注意：
北表示 +Y 方向。
东表示 +X 方向。
南表示 -Y 方向。
西表示 -X 方向。
示例 1：
输入：commands = [4,-1,3], obstacles = []
输出：25
解释：
机器人开始位于 (0, 0)：

在柠檬水摊上，每一杯柠檬水的售价为 5 美元。
顾客排队购买你的产品，（按账单 bills 支付的顺序）一次购买一杯。
每位顾客只买一杯柠檬水，然后向你付 5 美元、10 美元或 20 美元。你必须给每个顾客正确找零，也就是说净交易是每位顾客向你支付 5 美元。
注意，一开始你手头没有任何零钱。
如果你能给每位顾客正确找零，返回 true ，否则返回 false 。
示例 1：
输入：[5,5,5,10,20]
输出：true
解释：
前 3 位顾客那里，我们按顺序收取 3 张 5 美元的钞票。
第 4 位顾客那里，我们收取一张 10 美元的钞票，并返还 5 美元。
第 5 位顾客那里，我们找还一张 10 美元的钞票和一张 5 美元的钞票。
由于所有客户都得到了正确的找零，所以我们输出 true。
示例 2：
输入：[5,5,10]
输出：true
示例 3：
输入：[10,10]
输出：false
示例 4：
输入：[5,5,10,10,20]
输出：false
解释：
前 2 位顾客那里，我们按顺序收取 2 张 5 美元的钞票。
对于接下来的 2 位顾客，我们收取一张 10 美元的钞票，然后返还 5 美元。
对于最后一位顾客，我们无法退回 15 美元，因为我们现在只有两张 10 美元的钞票。
由于不是每位顾客都得到了正确的找零，所以答案是 false。

给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额，返回 -1。
你可以认为每种硬币的数量是无限的。
示例 1：
输入：coins = [1, 2, 5], amount = 11
输出：3
解释：11 = 5 + 5 + 1
示例 2：
输入：coins = [2], amount = 3
输出：-1
示例 3：
输入：coins = [1], amount = 0
输出：0
示例 4：
输入：coins = [1], amount = 1
输出：1
示例 5：
输入：coins = [1], amount = 2
输出：2

Ⅵ python初学者if为什么不执行

代码修改如图：

问题在于a没有赋值，永远等于0，所以不会提示花了多少钱

Ⅶ 学习Python 用哪本书好

1.《Python编程：从入门到实践》
这本书算是比较全面系统的入门Python教程。基本的概念解释得算是比较不错的，我们知道，对于零基础学习编程的人来说，基础的概念是最关键也是最重要的一部分，谁能把基本的概念讲得通俗易懂，那么谁也就自然受欢迎了。
2.《像计算机科学家一样思考Python》
本书更多的是想培养读者以计侍手算机科学家一样的思维方式来理解Python语言编程。贯穿全书的主体是如何思考、设计、开发的方法。从基本的编程概念开始，一步步引导读扒槐者了解Python语言，再逐渐掌握函数、递归、数据结构和面向对象设计等高阶概念。
3.《Python编程：从入门到实践》
2016年出版的书，基于春谈友 Python3.5 同时也兼顾 Python2.7 ，书中涵盖的内容是比较精简的，没有艰深晦涩的概念，每个小结都附带练习题，它可以帮助你更快的上手编写程序，解决实际编程问题，上到有编程基础的程序员，下到10岁少年，想入门Python并达到可以开发实际项目的水平，这本书都是个不错的选择。
4.《Python核心编程第三版（中文版）》
该书向读者介绍了这种语言的核心内容，并展示了Python语言可以完成哪些任务。其主要内容包括：语法和编程风格、Python语言的对象、Web程序设计、执行环境等。该书条理清晰、通俗易懂，是学习Python语言的最好教材及参考手册。所附光盘包括Python语言最新的三个版本及书中示例代码。
5.《Python算法教程》
Python算法教程用Python语言来讲解算法的分析和设计。本书主要关注经典的算法，但同时会为读者理解基本算法问题和解决问题打下很好的基础。全书共11章。分别介绍了树、图、计数问题、归纳递归、遍历、分解合并、贪心算法、复杂依赖、Dijkstra算法、匹配切割问题以及困难问题及其稀释等内容。本书在每一章结束的时候均有练习题和参考资料，这为读者的自我检查以及进一步学习提供了较多的便利。在全书的结尾，给出了练习题的提示，方便读者进行查漏补缺。

Ⅷ python 算法有哪些比赛

算法是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。简单来讲，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。包括这几类：
1.
选择排序算法：选择排序是一种简单直观的排序算法。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;然后，再从剩余未排序元素中继续寻找最大最小元素，然后放到已排序序列的后面，以此类推直到所有元素均排序完毕。
2.
快速排序算法：快速排序的运行速度快于选择排序。原理：设要排序的数组为N，首先任意选取一个数据作为关键数据，然后将所有比它小的数放到它前面，所有比它大的数都放到它后面，这个过程称之为快速排序。
3. 二分查找算法：二分查找的输入是一个有序的列表，如果要查找的元素包含在一个有序列表中，二分查找可以返回其位置。
4.
广度优先搜索算法：属于一种图算法，图由节点和边组成。一个节点可以与多个节点连接，这些节点称为邻居。它可以解决两类问题：第一类是从节点A出发，在没有前往节点B的路径;第二类问题是从节点A出发，前往B节点的哪条路径最短。使用广度优先搜索算法的前提是图的边没有权值，即该算法只用于非加权图中，如果图的边有权值的话就应该使用狄克斯特拉算法来查找最短路径。
5.
贪婪算法：又叫做贪心算法，对于没有快速算法的问题，就只能选择近似算法，贪婪算法寻找局部最优解，并企图以这种方式获得全局最优解，它易于实现、运行速度快，是一种不错的近似算法。

Ⅸ 关于旅行家TSP问题的几种算法 python

问题描述不展开了，感兴趣可以自己搜一下。csdn上这蔽迹篇文章介绍的很详细，可以看一下 ， http://blog.csdn.net/q345852047/article/details/6626684 感燃誉谢作者辛勤码字，我就偷懒啦～

1.贪心

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#结果为0说明不包含
return involve #若j不宏段并包含i 返回true

def find_vertex(j):
vertexs=[]#j包含哪几个顶点
for v in range(n-1):
if (2 v)&j!=0:#0123 2 i表示顶点i+1
vertexs.append(v+1) #说明j包含顶点v+1
return vertexs

for j in range(2 (n-1)):# j从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()