最近我一直在研究一些贪婪的算法问题。我对局部最优而感到困惑。如您所知，贪婪算法由局部最优选择组成。但是，结合局部最优决策并不一定意味着全局最优，对吗？
以改变为例：如果有的话，使用最少数量的硬币制作15美分 10¢，5¢和1¢硬币然后你可以用一个10¢和一个5¢来实现这个目标。但是如果加上12美分硬币，贪心算法会失败，因为（1×12¢+ 3×1¢）使用的硬币数量超过（1×10¢+ 1×5¢）。
考虑一些经典的贪婪算法，例如：赫夫曼，迪克斯特拉。在我看来，这些算法是成功的，因为它们没有退化情况，这意味着局部最优步骤的组合总是等于全局最优。我明白了吗？
如果我的理解是正确的，有没有一种通用的方法来检查贪婪算法是否是最优的？
我找到了一些discussion of greedy algorithms elsewhere on the site。 但是，这个问题并没有详细说明。
答案 0 :(得分：4)
一般来说，只要问题凸出，局部最优解就总是最优的。这包括线性编程;具有正定目标的二次规划;和具有凸目标函数的非线性规划。 （但是，NLP问题往往具有非凸目标函数。）
如果启发式函数具有某些属性，启发式搜索将为您提供具有局部最优决策的全局最优。有关详细信息，请参阅AI书。
一般而言，如果问题不是凸的，我不知道任何证明局部最优解的全局最优性的方法。
答案 1 :(得分：2)
有一些定理可以表达贪婪算法在拟阵中最优的问题（也就是：贪婪）。有关详细信息，请参阅本维基百科部分：http://en.wikipedia.org/wiki/Matroid#Greedy_algorithms
答案 2 :(得分：1)
贪婪算法几乎从未成功找到最佳解决方案。在它的情况下，这高度依赖于问题本身。正如Ted Hopp解释的那样，使用凸曲线，可以找到全局最优，假设您要找到目标函数的最大值（相反，如果要最小化，凹曲线也可以工作）。否则，你几乎肯定会陷入当地的最佳状态。这假设您已经知道目标函数。
我能想到的另一个因素是邻里功能。某些社区，如果足够大，将包含全局和局部最大值，以便您可以避免局部最大值。但是，您不能使邻域太大或搜索速度会变慢。
换句话说，无论您是否使用贪婪算法找到全局最优，都是特定于问题的，尽管在大多数情况下，您将找不到全局最优。
答案 3 :(得分：0)
您需要设计一个见证示例，其中您的算法是全局算法的前提失败。根据算法和问题进行设计。
你改变硬币的例子不是有效的。硬币的设计是为了使所有组合成为可能，但不会增加混乱。您添加12c是不合理的，也是额外的。
随着你的添加，问题不是硬币改变而是另一个（即使主题是硬币，你可以将示例更改为你想要的）。为此，您自己给出了一个见证示例，以显示此问题的贪婪算法将陷入局部最大值。