基于贪心算法的高效信息整合系统
1 引言
目前，互联网逐渐普及到了家家户户，与此同时，企业也在日常的运作中产生了大量的数据，这些大量的、杂乱无章的、难以理解的数据，需要得到有效的处理和整合，从而结合成有意义的和有价值的信息，随之，商业智能应用app可以利用通过数据整合提供的全面有效的信息，并从公司的历史和当前数据中获得重要的商业洞察力。在今天的IT的大环境中，数据整合一个很重要的应用就是提供对存储在传统系统(如大型机)上的数据的访问。例如，现代的大数据分析环境，通常与大型机的数据不兼容。优秀的解决方案将弥补这一大的差距，使企业中宝贵的传统数据可用于当今流行的商业智能应用程序。由此来看，数据整合对企业来说是必不可少的一步。
当前，传统的数据整合方法已经无法应对当今信息技术环境的复杂性，也无法满足信息技术领域必须执行的各种方案的处理需求。在高并发的环境中由于效率低下，导致服务器会经常崩溃，耽误时间的同时也给数据的安全带来了又一大隐患。于是本文的基于背包问题与贪心算法的高效信息整合系统就应运而生了。
2 算法背景
2.1背包问题
背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，如何选择最优的物品，以使它们的总价格是最优的。例如，我们拥有n种物品，其中nj的重量为wj，价格为pj。假设所有物品都具有相同的重量和价格。背包的最大承重能力为W。如果每个物品只能有一个或两个，那么这个问题就叫做0-1背包问题。
可以用公式表示为：
最大化：
受限于：
如果限定的物品j最多只有bj个选择，则这个问题就被称为有界背包问题。受
可以用公式表示为：
最大化：
受限于：
如果我们不限制每个物品的数量，那么这个问题就可以被称为无限制背包问题。通过将复杂的背包问题转化为简单的0-1问题，我们可以轻松解决这些问题。
背包问题流程图如图1所示：
图1 背包问题流程图
2.2 贪心算法
贪心算法(greedy algorithm,也称贪婪算法)是一种用来寻找局部最优解的算法。它通过采用贪心的策略，在每次操作中都尽可能地保证局部是最优的解，从而使得最终得到的结果是全局最优的。因此，贪心算法并不能解决所有问题，得到所有问题的全局最优解，选择合适的贪心策略才是关键。
贪心算法一般按如下步骤进行：
1. 评价最优条件是什么？ 最远距离
2. 循环 -> 未解决问题 & 还有解
3. 从可能的解中取出最优解
4. 执行最优解
5. 缩小问题规模 -> 双指针、for循环、减去最优解......
贪心算法到底是什么？通俗点讲，例如，在动物世界的贪心算法就是，不管能不能吞得下，能吞一点是吞一点；在人类社会的贪心算法就是指，今朝有酒今朝醉，只要眼前过的舒服，这一辈子就是舒服的。
贪心算法的原理拆解：
1.根据当前情况，做出一步最佳选择；例如，吃货界的贪心算法，就是每次都选一颗最大的草莓吃，这样在全局范围内，每一次吃的草莓都是当前情况下最大的草莓。
2.做出选择后永不改变，永不反悔；有些算法，比如，回溯算法就会后悔，而贪心算法，一言九鼎的。虽然贪心算法的每一步解都要保证其是局部最优的解，但其实由此产生的最终全局解有时却不一定是最优的解。
3.通过不断循环，我们可以逐步找到局部最优解，并最终得到整体最优解。如果你不放弃，就在剩下的选项中选择一个最优解。这样，你就能得到一个全局最优解，并做出最明智的选择。贪心算法通过不断迭代来寻找最优解，每次迭代都会简化问题并将其转化为更小的子问题。通过这种方式，贪心算法可以在不花费大量时间成本的情况下找到问题的最优解。
贪心算法的特点:一个问题的全部最优解可以由一些局部的最优解的选取实现,而且每次的结果可以取决于前面进行的结果,而不取决于之后所进行的结果。也就是贪心选择性。对某个具体问题,要判断其是否存在贪心选择性,就需要证明每一个问题下的贪心选择性值最终是问题的整体最佳值。
贪心算法也存在如下问题：
1、不能保证结果是最佳解。因为贪心算法总是先得到局部的最优解，从而使最后得到的结果是全局最优的。
2、贪心算法一般是用来解决求最大解或者最小解；
3、贪心算法是很局限的算法，只能确定某些问题的可行性范围。
贪心算法流程图如图2所示：
图2 面K-Means算法流程图
3 基于背包问题与贪心算法的高效信息整合系统方案
这个方案基于一种高效的信息整合系统，它能够解决背包问题和贪心算法。该系统包括多个容器组件，可以进行本地模拟填充，并具有信息存储功能。
3.1 系统架构
系统架构的多背包容器功能使得传统的单一背包容器能够被扩展到多种不同的容器，从而更好地描述多种数据结构。例如，在数据整合过程中，我们需要填充多个数据项，这可能会导致需求不断增加。因此可以通过多背包操作功能来进行对全部内容的填充,使得一次操作的算法，就能够实现全部的内容填充,从而减少了由于反复操作造成的大量内存损失和由于反复操作数据库所带来的管理困难问题。
本地的填充功能:能够把在传统的整合模式中的,通过读写数据库并提取其中的数据并进行容器填充的模式转变成,只完成了对一个数据库的读写。收集到所有必要的统计数据资料之后,首先对物品属性组件的每个物品进行属性填充,并记录出整合后各组成体要达到的限制条件。接着再通过贪心算法,在本地容器模板上对容器进行数据填充,填充方式基于容器上指定的物品特性,同时再利用贪心算法,根据属性权值的优先级填充,直到所有的容器都填充完了以后,本地的填充工作就完成了。
信息存储功能：通过将传统的数据库中的模块或约束条件从数据库中提取出来，并将其转换为本地的填充容器来存储相关信息，从而使整个系统能够更好地整合信息，降低读写字数，提高程序的正常运行效率。
3.2 数据挖掘系统功能的设计与实现
数据挖掘是一种技术，它通过分析大量带有噪声、不完整、模糊和随机特征的数据信息，从中提取出隐藏在其中的有价值的信息，这些信息可能在之前未被发现或者已经被发现。简单来说，我们通过分析数据来提取信息。这些数据可能存储在各种不同的数据库中，包括数据库、数据仓库和其他信息库。通过对这些数据的分析，我们可以提取出有价值的信息。在这个大数据时代，我们可以轻松获取各种信息，但是这些信息各不相同，形态各异。我们需要从海量的数据中提取有用的信息，因为大量的数据中可能只包含一点点有用的信息。
那首先我们就要进行数据分析，在我们平常所说的回归分析，交叉分析等分析都是狭义的数据分析，他是基于统计学的数据分析，还有一些智能推荐(如抖音就是用了一个协同过滤的算法，对你看过的视频，从而分析你的喜好，进而给你推荐更多此类的视频)，关联规则，分类模型，聚类模型等是数据挖掘的一些分类。狭义数据分析和数据挖掘合称为广义数据分析。
数据挖掘的基本概念:研究技术性的‘采矿’过程、发现未知的模式和规律,侧重点是在于挖掘技术的落地、完成‘采矿’流程。技能点则是过硬的数理功底和编程技术。
4 结束语
在高速发展的互联网+时代，许多行业都需要更为高效，更为便捷的数据管理机制和系统，本文中基于背包问题与贪心算法的高效信息整合系统，能够将数据集中自动的整合并提供更安全，更高效的方案，并且相对于传统的数据整合方法，这个系统有着更为安全、高效、易于设计、易于实施的优点，解决了之前传统方案中存在的各种安全隐患问题，相信该系统在未来的大数据时代领域中会得到更好、更全面的发展。
标签：背包,填充,整合系统,问题,算法,最优,贪心 From： https://www.cnblogs.com/Hollahpain/p/17138830.html