update translation greedy-algorithms (#36388)
* update translation greedy-algorithms * updated translation after review
This commit is contained in:
Cleo Aguiar
committed by
Randell Dawson
Randell Dawson
parent
b6ffe92a84
commit
ad5b99ed09
@ -2,7 +2,7 @@
|
|||||||
title: Greedy Algorithms
|
title: Greedy Algorithms
|
||||||
localeTitle: Algoritmos Greedy
|
localeTitle: Algoritmos Greedy
|
||||||
---
|
---
|
||||||
## O que é um algoritmo ganancioso
|
## O que é um algoritmo guloso
|
||||||
|
|
||||||
Você deve ter ouvido falar sobre muitas técnicas de design algorítmico enquanto analisa alguns dos artigos aqui. Alguns deles são:
|
Você deve ter ouvido falar sobre muitas técnicas de design algorítmico enquanto analisa alguns dos artigos aqui. Alguns deles são:
|
||||||
|
|
||||||
@ -11,15 +11,15 @@ Você deve ter ouvido falar sobre muitas técnicas de design algorítmico enquan
|
|||||||
* Programação gananciosa
|
* Programação gananciosa
|
||||||
* Programação dinâmica para nomear alguns. Neste artigo, você aprenderá sobre o que é um algoritmo guloso e como você pode usar essa técnica para resolver muitos problemas de programação que, de outra forma, não parecem triviais.
|
* Programação dinâmica para nomear alguns. Neste artigo, você aprenderá sobre o que é um algoritmo guloso e como você pode usar essa técnica para resolver muitos problemas de programação que, de outra forma, não parecem triviais.
|
||||||
|
|
||||||
Imagine que você está indo para caminhadas e seu objetivo é atingir o maior pico possível. Você já tem o mapa antes de começar, mas existem milhares de caminhos possíveis mostrados no mapa. Você é muito preguiçoso e simplesmente não tem tempo para avaliar cada um deles. Aparafuse o mapa! Você começou a caminhar com uma estratégia simples - ser ganancioso e míope. Apenas pegue caminhos que se inclinem mais para cima. Esta parece ser uma boa estratégia para caminhadas. Mas é sempre o melhor?
|
Imagine que você está indo para caminhadas e seu objetivo é atingir o maior pico possível. Você já tem o mapa antes de começar, mas existem milhares de caminhos possíveis mostrados no mapa. Você é muito preguiçoso e simplesmente não tem tempo para avaliar cada um deles. Dane-se o mapa! Você começou a caminhar com uma estratégia simples - ser ganancioso e míope. Apenas pegue caminhos que se inclinem mais para cima. Esta parece ser uma boa estratégia para caminhadas. Mas é sempre o melhor?
|
||||||
|
|
||||||
Depois que a viagem termina e todo o seu corpo está dolorido e cansado, você olha para o mapa de trilhas pela primeira vez. Meu Deus! Há um rio lamacento que eu deveria ter atravessado, em vez de continuar subindo. Isso significa que um algoritmo guloso escolhe a melhor opção imediata e nunca reconsidera suas escolhas. Em termos de otimização de uma solução, isso significa simplesmente que a solução gulosa tentará encontrar soluções ótimas locais - que podem ser muitas - e poderá perder uma solução global ideal.
|
Depois que a viagem termina e todo o seu corpo está dolorido e cansado, você olha para o mapa de trilhas pela primeira vez. Meu Deus! Há um rio lamacento que eu deveria ter atravessado, em vez de continuar subindo. Isso significa que um algoritmo guloso escolhe a melhor opção imediata e nunca reconsidera suas escolhas. Em termos de otimização de uma solução, isso significa simplesmente que a solução gulosa tentará encontrar soluções ótimas locais - que podem ser muitas - e poderá perder uma solução global ideal.
|
||||||
|
|
||||||
## Definição formal
|
## Definição formal
|
||||||
|
|
||||||
Suponha que você tenha uma função objetiva que precisa ser otimizada (maximizada ou minimizada) em um determinado ponto. Um algoritmo Greedy faz escolhas gananciosas em cada etapa para garantir que a função objetivo seja otimizada. O algoritmo Greedy tem apenas uma chance para calcular a solução ótima, para que ela nunca retorne e reverta a decisão.
|
Suponha que você tenha uma função objetiva que precisa ser otimizada (maximizada ou minimizada) em um determinado ponto. Um algoritmo guloso faz escolhas gananciosas em cada etapa para garantir que a função objetivo seja otimizada. O algoritmo guloso tem apenas uma chance para calcular a solução ótima, para que ela nunca retorne e reverta a decisão.
|
||||||
|
|
||||||
### Algoritmos gananciosos têm algumas vantagens e desvantagens:
|
### Algoritmos gulosos têm algumas vantagens e desvantagens:
|
||||||
|
|
||||||
* É muito fácil criar um algoritmo guloso (ou mesmo vários algoritmos gulosos) para um problema. Analisar o tempo de execução para algoritmos gulosos geralmente será muito mais fácil do que para outras técnicas (como Dividir e conquistar). Para a técnica de dividir e conquistar, não está claro se a técnica é rápida ou lenta. Isso ocorre porque, em cada nível de recursão, o tamanho diminui e o número de subproblemas aumenta.
|
* É muito fácil criar um algoritmo guloso (ou mesmo vários algoritmos gulosos) para um problema. Analisar o tempo de execução para algoritmos gulosos geralmente será muito mais fácil do que para outras técnicas (como Dividir e conquistar). Para a técnica de dividir e conquistar, não está claro se a técnica é rápida ou lenta. Isso ocorre porque, em cada nível de recursão, o tamanho diminui e o número de subproblemas aumenta.
|
||||||
|
|
||||||
@ -30,7 +30,7 @@ Suponha que você tenha uma função objetiva que precisa ser otimizada (maximiz
|
|||||||
|
|
||||||
Vamos mergulhar em um problema interessante que você pode encontrar em quase qualquer indústria ou qualquer tipo de vida. Algumas instâncias do problema são as seguintes:
|
Vamos mergulhar em um problema interessante que você pode encontrar em quase qualquer indústria ou qualquer tipo de vida. Algumas instâncias do problema são as seguintes:
|
||||||
|
|
||||||
* Você é dado um conjunto de N horários de palestras para um único dia em uma universidade. A programação para uma aula específica é da forma (s _tempo, f_ tempo) onde s _hora representa a hora de início daquela aula e da mesma forma o f_ representa o tempo de término. Dada uma lista de N horários de palestras, precisamos selecionar um conjunto máximo de palestras a serem realizadas durante o dia, de modo que **nenhuma das palestras se sobreponha, ou seja, se as lições Li e Lj estiverem incluídas em nossa seleção, então > = fim do tempo de i ou vice-versa** .
|
* Você é dado um conjunto de N horários de palestras para um único dia em uma universidade. A programação para uma aula específica é da forma (s_tempo, f_tempo) onde s_hora representa a hora de início daquela aula e da mesma forma o f_representa o tempo de término. Dada uma lista de N horários de palestras, precisamos selecionar um conjunto máximo de palestras a serem realizadas durante o dia, de modo que **nenhuma das palestras se sobreponha, ou seja, se as lições Li e Lj estiverem incluídas em nossa seleção, então > = fim do tempo de i ou vice-versa** .
|
||||||
|
|
||||||
* Seu amigo está trabalhando como conselheiro do acampamento, e ele é responsável por organizar atividades para um grupo de campistas. Um de seus planos é o seguinte exercício de mini-triathlon: cada competidor deve nadar 20 voltas de uma piscina, depois pedalar 10 milhas e correr 3 milhas.
|
* Seu amigo está trabalhando como conselheiro do acampamento, e ele é responsável por organizar atividades para um grupo de campistas. Um de seus planos é o seguinte exercício de mini-triathlon: cada competidor deve nadar 20 voltas de uma piscina, depois pedalar 10 milhas e correr 3 milhas.
|
||||||
|
|
||||||
@ -49,7 +49,7 @@ Vamos examinar as várias abordagens para resolver esse problema.
|
|||||||
|
|
||||||
1. **Primeira Hora de Início Primeiro,** ou seja, selecione o intervalo que tem a hora de início mais antiga. Dê uma olhada no exemplo a seguir que quebra essa solução. Essa solução falhou porque pode haver um intervalo que começa muito cedo, mas isso é muito longo. Isso significa que a próxima estratégia que poderíamos tentar seria onde nós olhamos em intervalos menores primeiro. 
|
1. **Primeira Hora de Início Primeiro,** ou seja, selecione o intervalo que tem a hora de início mais antiga. Dê uma olhada no exemplo a seguir que quebra essa solução. Essa solução falhou porque pode haver um intervalo que começa muito cedo, mas isso é muito longo. Isso significa que a próxima estratégia que poderíamos tentar seria onde nós olhamos em intervalos menores primeiro. 
|
||||||
|
|
||||||
2. **Intervalo Menor Primeiro,** ou seja, você acaba selecionando as palestras na ordem de seu intervalo geral, que não é nada além do `finish time - start time` . Mais uma vez, esta solução não está correta. Olhe o seguinte caso. 
|
2. **Intervalo Menor Primeiro,** ou seja, você acaba selecionando as palestras na ordem de seu intervalo geral, que não é nada além do `hora de término - hora de início` . Mais uma vez, esta solução não está correta. Olhe o seguinte caso. 
|
||||||
|
|
||||||
|
|
||||||
Você pode ver claramente que a palestra de intervalo mais curta é a do meio, mas essa não é a solução ideal aqui. Vamos ver outra solução para esse problema, derivando insights dessa solução.
|
Você pode ver claramente que a palestra de intervalo mais curta é a do meio, mas essa não é a solução ideal aqui. Vamos ver outra solução para esse problema, derivando insights dessa solução.
|
||||||
@ -71,11 +71,11 @@ function interval_scheduling_problem(requests)
|
|||||||
end
|
end
|
||||||
```
|
```
|
||||||
|
|
||||||
## Quando usamos Algoritmos Greedy?
|
## Quando usamos Algoritmos Guloso?
|
||||||
|
|
||||||
Algoritmos Greedy podem ajudá-lo a encontrar soluções para muitos problemas aparentemente difíceis. O único problema com eles é que você pode encontrar a solução correta, mas talvez não consiga verificar se é a correta. Todos os problemas gananciosos compartilham uma propriedade comum que um ótimo local pode eventualmente levar a um mínimo global sem reconsiderar o conjunto de escolhas já considerado.
|
Algoritmos guloso podem ajudá-lo a encontrar soluções para muitos problemas aparentemente difíceis. O único problema com eles é que você pode encontrar a solução correta, mas talvez não consiga verificar se é a correta. Todos os problemas gananciosos compartilham uma propriedade comum que um ótimo local pode eventualmente levar a um mínimo global sem reconsiderar o conjunto de escolhas já considerado.
|
||||||
|
|
||||||
Algoritmos Greedy nos ajudam a resolver muitos tipos diferentes de problemas. Fique atento aos próximos tutoriais sobre cada um deles.
|
Algoritmos gulosos nos ajudam a resolver muitos tipos diferentes de problemas. Fique atento aos próximos tutoriais sobre cada um deles.
|
||||||
|
|
||||||
1. Problema do caminho mais curto.
|
1. Problema do caminho mais curto.
|
||||||
2. Problema Mínimo da Árvore de Abrangência em um Gráfico.
|
2. Problema Mínimo da Árvore de Abrangência em um Gráfico.
|
||||||
@ -84,6 +84,14 @@ Algoritmos Greedy nos ajudam a resolver muitos tipos diferentes de problemas. Fi
|
|||||||
|
|
||||||
#### Mais Informações:
|
#### Mais Informações:
|
||||||
|
|
||||||
[](https://www.youtube.com/watch?v=HzeK7g8cD0Y)
|
<a href="https://www.youtube.com/watch?v=HzeK7g8cD0Y" target="_blank">
|
||||||
|
<img src="http://img.youtube.com/vi/HzeK7g8cD0Y/0.jpg" alt="Greedy Problems" width="240" height="180" border="10" />
|
||||||
|
</a>
|
||||||
|
|
||||||
[](https://www.youtube.com/watch?v=poWB2UCuozA)
|
<a href="https://www.youtube.com/watch?v=poWB2UCuozA" target="_blank">
|
||||||
|
<img src="http://img.youtube.com/vi/poWB2UCuozA/0.jpg" alt="Greedy Problems" width="240" height="180" border="10" />
|
||||||
|
</a>
|
||||||
|
|
||||||
|
<a href="https://www.youtube.com/watch?v=tKwnms5iRBU" target="_blank">
|
||||||
|
<img src="http://img.youtube.com/vi/tKwnms5iRBU/0.jpg" alt="Greedy Problems" width="240" height="180" border="10" />
|
||||||
|
</a>
|
||||||
|
|||||||
Reference in New Issue
Block a user