Js算法模式:动态规划和贪心算法

更新日期: 2019-08-03阅读: 3k标签: 算法

动态规划

动态规划(Dynamic Programming,DP)是一种将复杂问题分解成更小的子问题来解决的优化算法。下面有一些用动态规划来解决实际问题的算法:


最少硬币找零

给定一组硬币的面额,以及要找零的钱数,计算出符合找零钱数的最少硬币数量。例如,美国硬币面额有1、5、10、25这四种面额,如果要找36美分的零钱,则得出的最少硬币数应该是1个25美分、1个10美分和1个10美分共三个硬币。这个算法要解决的就是诸如此类的问题。我们来看看如何用动态规划的方式来解决。

对于每一种面额,我们都分别计算所需要的硬币数量。具体算法如下:

  1. 如果全部用1美分的硬币,一共需要36个硬币
  2. 如果用5美分的硬币,则需要7个5美分的硬币 + 1个1美分的硬币 = 8个硬币
  3. 如果用10美分的硬币,则需要3个10美分的硬币 + 1个5美分的硬币 + 1个1美分的硬币 = 5个硬币
  4. 如果用25美分的硬币,则需要1个25美分的硬币 + 1个10美分的硬币 + 1个1美分的硬币 = 3个硬币

对应的示意图如下:


方案4的硬币总数最少,因此为最优方案。

具体的代码实现如下:

function minCoinChange(coins, amount) {
    let result = null;
    if (!amount) return result;

    const makeChange = (index, value, min) => {
        let coin = coins[index];
        let newAmount = Math.floor(value / coin);
        if (newAmount) min[coin] = newAmount;
        if (value % coin !== 0) {
            makeChange(--index, value - coin * newAmount, min);
        }
    };

    const arr = [];
    for (let i = 0; i < coins.length; i++) {
        const cache = {};
        makeChange(i, amount, cache);
        arr.push(cache);
    }

    console.log(arr);
    let newMin = 0;
    arr.forEach(item => {
        let min = 0;
        for (let v in item) min += item[v];
        if (!newMin || min < newMin) {
            newMin = min;
            result = item;
        }
    });
    return result;
}

函数minCoinChange()接收一组硬币的面额,以及要找零的钱数。我们将上面例子中的值传入:

const result = minCoinChange2([1, 5, 10, 25], 36);
console.log(result);

得到如下结果:

[
  { '1': 36 },
  { '1': 1, '5': 7 },
  { '1': 1, '5': 1, '10': 3 },
  { '1': 1, '10': 1, '25': 1 }
]
{ '1': 1, '10': 1, '25': 1 }

上面的数组是我们在代码中打印出来的arr的值,用来展示四种不同面额的硬币作为找零硬币时,实际所需要的硬币种类和数量。最终,我们会计算arr数组中硬币总数最少的那个方案,作为minCoinChange()函数的输出。

当然在实际应用中,我们可以把硬币抽象成任何你需要的数字,这个算法能给出你满足结果的最小组合。


背包问题

背包问题是一个组合优化问题,它被描述为:给定一个具有固定容量的背包capacity,以及一组具有价值(value)和重量(weight)的物品,找出一个最优方案,使得装入背包的物品的总重量不超过capacity,且总价值最大。

假设我们有以下物品,且背包的总容量为5:

物品#重量价值
123
234
345

我们用矩阵来解决这个问题。首先,我们把物品和背包的容量组成如下矩阵:

物品(i)/重量(w)012345
0000000
1 (w=2, v=3)00

a: 3+[0][2-2]=3+0

b: [0][2]=0

max(3+0,0)=3

a: 3+[0][3-2]=3+0

b: [0][3]=0

max(3+0,0)=3

a: 3+[0][4-3]=3+0

b: [0][4]=0

max(3+0,0)=3

a: 3+[0][5-3]=3+0

b: [0][5]=0

max(3+0,0)=3

2 (w=3, v=4)003

a: 4+[1][3-3]=4+0

b: [1][3]=3

max(4+0,3)=4

a: 4+[1][4-3]=4+0

b: [1][4]=3

max(4+0,3)=4

a: 4+[1][5-3]=4+3

b: [1][5]=3

max(4+3,3)=7

3 (w=4, v=5)0034

a: 5+[2][4-4]=5+0

b: [2][4]=4

max(5+0,4)=5

a: 5+[2][5-4]=5+0

b: [2][5]=7

max(5+0,7)=7

为了便于理解,我们将矩阵kS的第一列和第一行忽略(因为它们表示的是容量0和第0个物品)。然后,按照要求往矩阵的格子里填数。如果当前的格子能放下对应的物品,存在以下两种情况:

  • a - 放入当前物品,然后剩余的重量再放入前一个物品
  • b - 不放入当前物品,放入前一个物品

在上面的表格中,当背包的重量为1时,没有物品能放入,所以都是0,这个很好理解。当背包的重量为2时,物品1可以放入,那么存在两种情况:放入物品1(价值为3),剩余的重量(背包的重量2减去物品1的重量2,结果为0)再放入前一个物品;不放入物品1,放入前一个物品[0][2],价值为0。所以最大价值就是max(3, 0)=3。

当背包的重量为5时,放入物品2,两种情况:放入物品2(价值为4),剩余的重量(背包的重量5减去物品2的重量3,结果为2)再放入前一个物品,是[1][2],对应的价值是3;不放入物品2,,放入前一个物品[1][5],价值为3。所以最大价值就是max(4+3, 3)=7。

如果当前物品不能放入背包,则忽略它,用前一个值代替。我们可以按照上面描述的过程把剩余的格子都填满,这样表格中最后一个单元格里的值就是最优方案。

下面是具体的实现代码:

function knapSack(capacity, weights, values, n) {
    const kS = [];

    // 将ks初始化为一个空的矩阵
    for (let i = 0; i <= n; i++) {
        kS[i] = [];
    }

    for (let i = 0; i <= n; i++) {
        for (let w = 0; w <= capacity; w++) {
            // 忽略矩阵的第1列和第1行
            if (i === 0 || w === 0) {
                kS[i][w] = 0;
            }
            else if (weights[i - 1] <= w) {
                const a = values[i - 1] + kS[i - 1][w - weights[i - 1]];
                const b = kS[i - 1][w];
                kS[i][w] = Math.max(a, b);
            }
            else {
                kS[i][w] = kS[i - 1][w];
            }
        }
    }

    console.log(kS);
}
对于const a,其价值分为两部分,第一部分就是它自己的价值(values[i - 1]),第二部分是用背包剩余的重量(w - weights[i - 1])装进前一个物品(kS[i - 1])。对于const b,就是找前一个能放入这个重量的物品(kS[i - 1][w])。然后取这两种情况下的最大值。

测试一下knapSack()函数,

const capacity = 5;
const weights = [2, 3, 4];
const values = [3, 4, 5];
knapSack(capacity, weights, values, weights.length);

下面是矩阵kS的输出结果:

[
  [ 0, 0, 0, 0, 0, 0 ],
  [ 0, 0, 3, 3, 3, 3 ],
  [ 0, 0, 3, 4, 4, 7 ],
  [ 0, 0, 3, 4, 5, 7 ]
]

最长公共子序列(LCS)

找出两个字符串序列的最长子序列的长度。所谓最长子序列,是指两个字符串序列中以相同顺序出现,但不要求连续的字符串序列。例如下面两个字符串:

字符串1:acbaed

字符串2:abcadf

则LCS为acad。

和背包问题的思路类似,我们用下面的表格来描述整个过程:

  abcadf
 0000000
a0111111
c0112222
b0122222
a0122333
e0122333
d0122344

矩阵的第一行和第一列都被设置为0,剩余的部分,遵循下面两种情况:

如果wordX[i - 1]和wordY[j - 1]相等,则矩阵对应的单元格的值为单元格[i - 1][j - 1]的值加1。
如果wordX[i - 1]和wordY[j - 1]不相等,则找出单元格[i - 1][j]和单元格[i][j - 1]之间的最大值。

下面是具体的实现代码:

function lcs(wordX, wordY) {
    const m = wordX.length;
    const n = wordY.length;
    const l = [];
    for (let i = 0; i <= m; i++) {
        l[i] = [];
        for (let j = 0; j <= n; j++) {
            l[i][j] = 0;
        }
    }
    for (let i = 0; i <= m; i++) {
        for (let j = 0; j <= n; j++) {
            if (i === 0 || j === 0) {
                l[i][j] = 0;
            } else if (wordX[i - 1] === wordY[j - 1]) {
                l[i][j] = l[i - 1][j - 1] + 1;
            } else {
                const a = l[i - 1][j];
                const b = l[i][j - 1];
                l[i][j] = Math.max(a, b);
            }
        }
    }
    console.log(l);
    console.log(l[m][n]);
}

我们将矩阵打印出来,结果如下:

const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
lcs(wordX, wordY);
[
  [ 0, 0, 0, 0, 0, 0, 0 ],
  [ 0, 1, 1, 1, 1, 1, 1 ],
  [ 0, 1, 1, 2, 2, 2, 2 ],
  [ 0, 1, 2, 2, 2, 2, 2 ],
  [ 0, 1, 2, 2, 3, 3, 3 ],
  [ 0, 1, 2, 2, 3, 3, 3 ],
  [ 0, 1, 2, 2, 3, 4, 4 ]
]

矩阵中最后一个单元格的值为LCS的长度。那如何计算出LCS的具体内容呢?我们可以设计一个相同的solution矩阵,用来做标记,如果wordX[i - 1]和wordY[j - 1]相等,则将solution矩阵中对应的值设置为'diagonal',即上面表格中背景为灰色的单元格。否则,根据[i][j]和[i - 1][j]是否相等标记为'top'或'left'。然后通过printSolution()方法来找出LCS的内容。修改之后的代码如下:

function printSolution(solution, wordX, m, n) {
    let a = m;
    let b = n;
    let x = solution[a][b];
    let answer = '';
    while (x !== '0') {
        if (solution[a][b] === 'diagonal') {
            answer = wordX[a - 1] + answer;
            a--;
            b--;
        } else if (solution[a][b] === 'left') {
            b--;
        } else if (solution[a][b] === 'top') {
            a--;
        }
        x = solution[a][b];
    }
    return answer;
}

function lcs(wordX, wordY) {
    const m = wordX.length;
    const n = wordY.length;
    const l = [];
    const solution = [];
    for (let i = 0; i <= m; i++) {
        l[i] = [];
        solution[i] = [];
        for (let j = 0; j <= n; j++) {
            l[i][j] = 0;
            solution[i][j] = '0';
        }
    }
    for (let i = 0; i <= m; i++) {
        for (let j = 0; j <= n; j++) {
            if (i === 0 || j === 0) {
                l[i][j] = 0;
            } else if (wordX[i - 1] === wordY[j - 1]) {
                l[i][j] = l[i - 1][j - 1] + 1;
                solution[i][j] = 'diagonal';
            } else {
                const a = l[i - 1][j];
                const b = l[i][j - 1];
                l[i][j] = Math.max(a, b);
                solution[i][j] = l[i][j] === l[i - 1][j] ? 'top' : 'left';
            }
        }
    }

    return printSolution(solution, wordX, m, n);
}

测试结果:

const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
console.log(lcs(wordX, wordY)); // acad

贪心算法

贪心算法遵循一种近似解决问题的技术,期盼通过每个阶段的局部最优选择,从而达到全局的最优。它不像动态规划算法那样计算更大的格局。

最少硬币找零

我们来看看如何用贪心算法解决前面提到过的最少硬币找零问题。

function minCoinChange(coins, amount) {
    const change = [];
    let total = 0;
    for (let i = coins.length - 1; i >= 0; i--) {
        const coin = coins[i];
        while (total + coin <= amount) {
            change.push(coin);
            total += coin;
        }
    }
    return change;
}

const result = minCoinChange([1, 5, 10, 25], 36);
console.log(result); // [ 25, 10, 1 ]

前提是coins数组已经按从小到大排好序了,贪心算法从最大值开始尝试,如果该值不满足条件(要找零的钱数),则继续向下找,直到找到满足条件的所有值。以上算法并不能满足所有情况下找出最优方案,例如下面这种情况:

const result = minCoinChange([1, 2, 5, 9, 10], 18);
console.log(result); // [ 10, 5, 2, 1 ]

给出的结果[10, 5, 2, 1]并不是最优方案,最优方案应该是[9, 9]。

与动态规划相比,贪心算法更简单、效率更高。但是其结果并不总是最理想的。但是综合看来,它相对执行时间来说,输出一个可以接受的结果。


背包问题

物品#重量价值
123
234
345

在动态规划的例子里,假定背包的容量为5,最佳方案是往背包里装入物品1和物品2,总价值为7。在贪心算法中,我们需要考虑分数的情况,假定背包的容量为6,装入物品1和物品2之后,剩余容量为1,可以装入1/4的物品3,总价值为3+4+0.25×5=8.25。我们来看看具体的实现代码:

function knapSack(capacity, weights, values) {
    const n = values.length;
    let load = 0;
    let val = 0;
    for (let i = 0; i < n && load < capacity; i++) {
        if (weights[i] <= capacity - load) {
            val += values[i];
            load += weights[i];
            console.log(`物品${i + 1},重量:${weights[i]},价值:${values[i]}`);
        } else {
            const r = (capacity - load) / weights[i];
            val += r * values[i];
            load += weights[i];
            console.log(`物品${i + 1}的${r},重量:${r * weights[i]},价值:${val}`);
        }
    }

    return val;
}
从第一个物品开始遍历,如果总重量小于背包的容量,则继续迭代,装入物品。如果物品可以完整地装入背包,则将其价值和重量分别计入到变量val和load中,同时打印装入物品的信息。如果物品不能完整地装入背包,计算能够装入的比例r,然后将这个比例所对应的价值和重量分别计入到变量val和load中,同时打印物品的信息。最终输出总的价值val。下面是测试结果:
const capacity = 6;
const weights = [2, 3, 4];
const values = [3, 4, 5];
console.log(knapSack(capacity, weights, values));
物品1,重量:2,价值:3
物品2,重量:3,价值:4
物品3的0.25,重量:1,价值:8.25
8.25

在动态规划算法中,如果将背包的容量也设定为6,计算结果则为8。


最长公共子序列(LCS)

最后我们再来看看如何用贪心算法解决LCS的问题。下面的代码返回了两个给定数组中的LCS的长度:

function lcs(wordX, wordY, m = wordX.length, n = wordY.length) {
    if (m === 0 || n === 0) {
        return 0;
    }
    if (wordX[m - 1] === wordY[n - 1]) {
        return 1 + lcs(wordX, wordY, m - 1, n - 1);
    }
    const a = lcs(wordX, wordY, m, n - 1);
    const b = lcs(wordX, wordY, m - 1, n);
    return a > b ? a : b;
}

const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
console.log(lcs(wordX, wordY)); // 4

链接: https://www.fly63.com/article/detial/5105

js洗牌算法:javascript数组随机打乱顺序的实现方法

有一个数组,我们需要通过js对数组的元素进行随机排序,然后输出,这其实就是洗牌算法,首页需要从元素中随机取一个和第一元进行交换,然后依次类推,直到最后一个元素。

程序员必须知道的10大基础实用算法及其讲解

程序员必须知道的10大算法:快速排序算法、堆排序算法、归并排序、二分查找算法、BFPRT(线性查找算法)、DFS(深度优先搜索)、BFS(广度优先搜索)、Dijkstra算法、动态规划算法、朴素贝叶斯分类算法

js从数组取出 连续的 数字_实现一维数组中连续数字分成几个连续的数字数组

使用原生js将一维数组中,包含连续的数字分成一个二维数组,这篇文章分2种情况介绍如何实现?1、过滤单个数字;2、包含单个数字。

原生Js获取数组中最长的连续数字序列的方法

给定一个无序的整数序列, 找最长的连续数字序列。例如:给定[100, 4, 200, 1, 3, 2],最长的连续数字序列是[1, 2, 3, 4]。此方法不会改变传入的数组,会返回一个包含最大序列的新数组。

Tracking.js_ js人脸识别前端代码/算法框架

racking.js 是一个独立的JavaScript库,实现多人同时检测人脸并将区域限定范围内的人脸标识出来,并保存为图片格式,跟踪的数据既可以是颜色,也可以是人,也就是说我们可以通过检测到某特定颜色,或者检测一个人体/脸的出现与移动,来触发JavaScript 事件。

JS常见算法题目

JS常见算法题目:xiaoshuo-ss-sfff-fe 变为驼峰xiaoshuoSsSfffFe、数组去重、统计字符串中出现最多的字母、字符串反序、深拷贝、合并多个有序数组、约瑟夫环问题

RSA算法详解

这篇文章主要是针对一种最常见的非对称加密算法——RSA算法进行讲解。其实也就是对私钥和公钥产生的一种方式进行描述,RSA算法的核心就是欧拉定理,根据它我们才能得到私钥,从而保证整个通信的安全。

PageRank算法的定义与来源、以及PageRank算法原理

PageRank,网页排名,又称网页级别、Google左侧排名或佩奇排名,是一种由 根据网页之间相互的超链接计算的技术,而作为网页排名的要素之一,以Google公司创办人拉里·佩奇(Larry Page)之姓来命名。

js算法_js判断一个字符串是否是回文字符串

什么是回文字符串?即字符串从前往后读和从后往前读字符顺序是一致的。例如:字符串aba,从前往后读是a-b-a;从后往前读也是a-b-a

js之反转整数算法

将一个整数中的数字进行颠倒,当颠倒后的整数溢出时,返回 0 ;当尾数为0时候需要进行舍去。解法:转字符串 再转数组进行操作,看到有人用四则运算+遍历反转整数。

点击更多...

内容以共享、参考、研究为目的,不存在任何商业目的。其版权属原作者所有,如有侵权或违规,请与小编联系!情况属实本人将予以删除!