版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1第4章贪心算法计算机与信息工程学院2第4章贪心算法
顾名思义,贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑,它所作出的选择只是在某种意义上的局部最优选择。决策一旦作出,就不可更改。 当然,希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解,但对许多问题它能产生整体最优解。如单源最短路经问题,最小生成树问题等。 在一些情况下,即使贪心算法不能得到整体最优解,其最终结果却是最优解的很好近似。例:找零钱问题设有4种硬币,面值分别是25分、10分、5分、1分。现找给顾客67分,而且要使总的硬币数最少。蛮干法:穷举所有可能贪心法:每次加入一个面值不超过零钱数的最大硬币:25+25+10+5+1+1举例例:找零钱问题贪心法并不能保证任何情况下都能得到最优解。如硬币面值改为1分、5分、11分;现在须找15分。若按贪心算法:11+1+1+1+1而实际最优解为:5+5+5举例54.1活动安排问题
活动安排问题就是要在所给的活动集合中选出最大的相容活动子集合,是可以用贪心算法有效求解的很好例子。
该问题要求高效地安排一系列争用某一公共资源的活动。
贪心算法提供了一个简单、漂亮的方法使得尽可能多的活动能兼容地使用公共资源。64.1活动安排问题设有n个活动的集合E={1,2,…,n},其中每个活动都要求使用同一资源,如演讲会场等,而在同一时间内只有一个活动能使用这一资源。活动相容的定义:每个活动i都有一个要求使用该资源的起始时间si和一个结束时间fi,且si<fi
。如果选择了活动i,则它在半开时间区间[si,fi)内占用资源。若区间[si,fi)与区间[sj,fj)不相交,则称活动i与活动j是相容的。也就是说,当si≥fj或sj≥fi时,活动i与活动j相容。74.1活动安排问题publicstaticintgreedySelector(int[]s,int[]f,booleana[]){intn=s.length-1;a[1]=true;intj=1;intcount=1;for(inti=2;i<=n;i++){
if(s[i]>=f[j]){a[i]=true;j=i;count++;}elsea[i]=false;}returncount;}在下面所给出的解活动安排问题的贪心算法greedySelector:各活动的起始时间和结束时间存储于数组s和f中且按结束时间的非减序排列
84.1活动安排问题 由于输入的活动以其完成时间的非减序排列,所以算法greedySelector每次总是选择具有最早完成时间的相容活动加入集合A中。直观上,按这种方法选择相容活动为未安排活动留下尽可能多的时间。也就是说,该算法的贪心选择的意义是使剩余的可安排时间段极大化,以便安排尽可能多的相容活动。
算法greedySelector的效率极高。当输入的活动已按结束时间的非减序排列,算法只需O(n)的时间安排n个活动,使最多的活动能相容地使用公共资源。如果所给出的活动未按非减序排列,可以用O(nlogn)的时间重排。94.1活动安排问题
例:设待安排的11个活动的开始时间和结束时间按结束时间的非减序排列如下:i1234567891011S[i]130535688212f[i]4567891011121314104.1活动安排问题
算法greedySelector的计算过程如左图所示。图中每行相应于算法的一次迭代。阴影长条表示的活动是已选入集合A的活动,而空白长条表示的活动是当前正在检查相容性的活动。114.1活动安排问题若被检查的活动i的开始时间si小于最近选择的活动j的结束时间fj,则不选择活动i,否则选择活动i加入集合A中。
贪心算法并不总能求得问题的整体最优解。但对于活动安排问题,贪心算法greedySelector却总能求得整体最优解,即它最终所确定的相容活动集合A的规模最大。这个结论可以用数学归纳法证明。4.1活动安排问题正确性证明(用数学归纳法证明) 1、贪心选择性质 即证明活动安排问题总存在一个最优解从贪心选择开始。4.1活动安排问题正确性证明(用数学归纳法证明) 1、
贪心选择性质 设E={1,2,…,n}为所给的活动集合。由于E中的活动按结束时间的非递减排序,故活动1具有最早完成时间。首先证明活动安排问题有一个最优解以贪心选择开始,即该最优解中包含活动1.4.1活动安排问题正确性证明(用数学归纳法证明) 1、
贪心选择性质 设A⊆E是所给活动安排问题的一个最优解,且A中的活动也按结束时间非递减排序,A中的第一个活动是k。4.1活动安排问题正确性证明(用数学归纳法证明) 1、
贪心选择性质 若k=1,则A就是以贪心选择开始的最优解。 若k>1,设B=A-{k}∪{1}。因为f1<=fk且A中的活动是相容的。故B中的活动也是相容的。又由于B中的活动个数与A中的活动个数相同,故A是最优的,B也是最优的。即B是以选择活动1开始的最优活动安排。 由此可见,总存在以贪心选择开始的最优活动安排方案。4.1活动安排问题正确性证明(用数学归纳法证明) 2、最优子结构性质 在作出了贪心选择,即选择了活动1后,原问题简化为对E中所有与活动1相容的活动进行活动安排的子问题。即若A是原问题的最优解,则A’=A-{1}是活动安排问题的E’={i∈E:Si≥f1}的最优解。4.1活动安排问题正确性证明(用数学归纳法证明) 2、最优子结构性质 反证法:若E’中存在另一个解B’,比A’有更多的活动,则将1加入B’中产生另一个解B,比A有更多的活动。与A的最优性矛盾。4.1活动安排问题正确性证明(用数学归纳法证明) 因此,每一步所作出的贪心选择都将问题简化为一个更小的与原问题具有相同形式的子问题。对贪心选择次数用归纳法可知,贪心算法greedySelector产生问题的最优解。194.2贪心算法的基本要素 本节着重讨论可以用贪心算法求解的问题的一般特征。 对于一个具体的问题,怎么知道是否可用贪心算法解此问题,以及能否得到问题的最优解呢?这个问题很难给予肯定的回答。但是,从许多可以用贪心算法求解的问题中看到这类问题一般具有2个重要的性质:贪心选择性质和最优子结构性质。
204.2贪心算法的基本要素1、贪心选择性质所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择,即贪心选择来达到。这是贪心算法可行的第一个基本要素,也是贪心算法与动态规划算法的主要区别。动态规划算法通常以自底向上的方式解各子问题,而贪心算法则通常以自顶向下的方式进行,以迭代的方式作出相继的贪心选择,每作一次贪心选择就将所求问题简化为规模更小的子问题。对于一个具体问题,要确定它是否具有贪心选择性质,必须证明每一步所作的贪心选择最终导致问题的整体最优解。214.2贪心算法的基本要素
当一个问题的最优解包含其子问题的最优解时,称此问题具有最优子结构性质。问题的最优子结构性质是该问题可用动态规划算法或贪心算法求解的关键特征。2、最优子结构性质224.2贪心算法的基本要素 贪心算法和动态规划算法都要求问题具有最优子结构性质,这是2类算法的一个共同点。但是,对于具有最优子结构的问题应该选用贪心算法还是动态规划算法求解?是否能用动态规划算法求解的问题也能用贪心算法求解?下面研究2个经典的组合优化问题,并以此说明贪心算法与动态规划算法的主要差别。3、贪心算法与动态规划算法的差异234.2贪心算法的基本要素0-1背包问题:
给定n种物品和一个背包。物品i的重量是Wi,其价值为Vi,背包的容量为C。应如何选择装入背包的物品,使得装入背包中物品的总价值最大?在选择装入背包的物品时,对每种物品i只有2种选择,即装入背包或不装入背包。不能将物品i装入背包多次,也不能只装入部分的物品i。244.2贪心算法的基本要素背包问题:
与0-1背包问题类似,所不同的是在选择物品i装入背包时,可以选择物品i的一部分,而不一定要全部装入背包,1≤i≤n。
这2类问题都具有最优子结构性质,极为相似,但背包问题可以用贪心算法求解,而0-1背包问题却不能用贪心算法求解。254.2贪心算法的基本要素
首先计算每种物品单位重量的价值Vi/Wi,然后,依贪心选择策略,将尽可能多的单位重量价值最高的物品装入背包。若将这种物品全部装入背包后,背包内的物品总重量未超过C,则选择单位重量价值次高的物品并尽可能多地装入背包。依此策略一直地进行下去,直到背包装满为止。 具体算法可描述如下页:
用贪心算法解背包问题的基本步骤:264.2贪心算法的基本要素publicstaticfloatknapsack(floatc,float[]w,float[]v,float[]x){intn=v.length;Element[]d=newElement[n];for(inti=0;i<n;i++)d[i]=newElement(w[i],v[i],i);MergeSort.mergeSort(d);inti;floatopt=0;for(i=0;i<n;i++)x[i]=0;for(i=0;i<n;i++){if(d[i].w>c)break;x[d[i].i]=1;//可以完全装入;opt+=d[i].v;c-=d[i].w;}if(i<n){//不能完全装入d[i].w;x[d[i].i]=c/d[i].w;//装入部分;opt+=x[d[i].i]*d[i].v;}returnopt;}
算法knapsack的主要计算时间在于将各种物品依其单位重量的价值从大到小排序。因此,算法的计算时间上界为O(nlogn)。当然,为了证明算法的正确性,还必须证明背包问题具有贪心选择性质。270-1背包问题不适用贪心算法背包容量50kg,三物品的容量和价值分别为(10kg,$60),(20kg,$100)和(30kg,$120)。单位重量价值最高的是物品1。但是依照贪心算法首选物品1却不能获得最优解:物品1物品2物品3总价值为$160,空余20kg总价值为$180,空余10kg总价值为$220,没有空余物品1物品2物品3284.2贪心算法的基本要素 对于0-1背包问题,贪心选择之所以不能得到最优解是因为在这种情况下,它无法保证最终能将背包装满,部分闲置的背包空间使每公斤背包空间的价值降低了。事实上,在考虑0-1背包问题时,应比较选择该物品和不选择该物品所导致的最终方案,然后再作出最好选择。由此就导出许多互相重叠的子问题。这正是该问题可用动态规划算法求解的另一重要特征。 实际上也是如此,动态规划算法的确可以有效地解0-1背包问题。294.3单源最短路径 给定带权有向图G=(V,E),其中每条边的权是非负实数。另外,还给定V中的一个顶点,称为源。现在要计算从源到所有其它各顶点的最短路长度。这里路的长度是指路上各边权之和。这个问题通常称为单源最短路径问题。 1、算法基本思想 Dijkstra算法是解单源最短路径问题的贪心算法。304.3单源最短路径 其基本思想是,设置顶点集合S并不断地作贪心选择来扩充这个集合。一个顶点属于集合S当且仅当从源到该顶点的最短路径长度已知。 初始时,S中仅含有源。设u是G的某一个顶点,把从源到u且中间只经过S中顶点的路称为从源到u的特殊路径,并用数组dist记录当前每个顶点所对应的最短特殊路径长度。Dijkstra算法每次从V-S中取出具有最短特殊路长度的顶点u,将u添加到S中,同时对数组dist作必要的修改。一旦S包含了所有V中顶点,dist就记录了从源到所有其它顶点之间的最短路径长度。314.3单源最短路径
例如,对右图中的有向图,应用Dijkstra算法计算从源顶点1到其它顶点间最短路径的过程列在下页的表中。4.3单源最短路径迭代Sudist[2]dist[3]dist[4]dist[5]初始{1}-10maxint301001{1,2}21060301002{1,2,4}4105030903{1,2,4,3}3105030604{1,2,4,3,5}510503060Dijkstra算法的迭代过程:2.正确性证明 1)贪心选择性质 贪心选择:从V-S中选择具有最短特殊路径长度的顶点u,从而确定源点到u的最短路径长度dist[u]。 这种选择为什么导致最优解?即为什么从源到u没有更短的其它路径呢?4.3单源最短路径2.正确性证明 1)贪心选择性质 反证法:若存在一条从源到u且长度比dist[u]更短的路。设这条路初次走出S之外到达的顶点为x∈V-S,然后徘徊于S内外若干次,最后离开S到达u。
dist[x]≤d(v,x)≤d(v,x)+d(x,u)=d(v,u)<dist[u]得出矛盾。4.3单源最短路径Svux2.正确性证明 2)最优子结构性质 即在作出贪心选择后,如何保证剩余的问题仍是与原问题相似的子问题。 关键是要确保dist数组在将u加入到S后仍使每个i的dist[i]是当前最短的特殊路径长度。
如何确保? 在u加入S后,原来从源到i的最短特殊路径长度可能会因为u的加入而缩短,须进行调整。
4.3单源最短路径2.正确性证明 2)最优子结构性质 将添加u之前的S称为老S。考虑三种可能: i)dist[i]-原来的经过老的S直接到达i ii)dist[u]+d[u][i]--经过老的S到u,再从u经过一条边直接到达i iii)dist[u]+d(u,x)+d(x,i)--经过老的S到u,再从u回到老S中某个顶点x,最后才到达i
4.3单源最短路径Svixu2.正确性证明 2)最优子结构性质 考虑iii)dist[u]+d(u,x)+d(x,i)--经过老的S到u,再从u回到老S中某个顶点x,最后才到达i: d(v,x)=dist[x]<dist[u]=d(v,u)d(v,x)<d(v,u)+d(u,x)
dist[i]≤d(v,x)+d(x,i)<d(v,u)+d(u,x)+d(x,i)
故不必考虑这种路径4.3单源最短路径Svixu2.正确性证明
如此调整后,使得在加入u到S后,dist数组中存放的仍然是从源到V-S中顶点的最短特殊路径长度。 问题变为与加入u前同样的子问题。 如此继续,由归纳可知当V-S为空时,dist数组中将存放所有从源到该顶点的最短路径。
4.3单源最短路径voiddijkstra(intv,floata[][],floatdist[],intprev[]){intn=dist.length-1;boolean[]s=newboolean[n+1]; if(v<1||v>n)return; for(i=1;i<=n;i++) { dist[i]=a[v][i];s[i]=false; if(dist[i]==MAX_VALUE) prev[i]=0; else prev[i]=v; } dist[v]=0;s[v]=true; for(i=1;i<n;i++){ u=v;temp=MAX_VALUE; for(j=1;j<=n;j++) if((!s[j])&&(dist[j]<temp)){ u=j;temp=dist[j];} s[u]=true; for(j=1;j<n;j++) if((!s[j])&&(a[u][j]<MAX_VALUE)) if(dist[u]+a[u][j]<dist[j]){dist[j]=dist[u]+a[u][j];prev[j]=u;} }}
输入的带权有向图G=(V,E),v是源点,a是一个二维数组,a[i][j]表示边(i,j)的权。404.3单源最短路径计算复杂性 对于具有n个顶点和e条边的带权有向图,如果用带权邻接矩阵表示这个图,那么Dijkstra算法的主循环体需要时间。这个循环需要执行n-1次,所以完成循环需要时间。算法的其余部分所需要时间不超过。414.4最小生成树设G=(V,E)是无向连通带权图,即一个网络。E的每条边(v,w)的权为c[v][w]。如果G的一个子图G’是一棵包含G的所有顶点的树,则称G’为G的生成树。生成树各边权的总和称为其耗费。在G的所有生成树中,耗费最小的生成树称为G的最小(优)生成树。424.4最小生成树最小生成树性质 用贪心算法设计策略可以设计出构造最小生成树的有效算法。本节介绍的构造最小生成树的Prim算法和Kruskal算法都可以看作是应用贪心算法设计策略的例子。尽管这2个算法做贪心选择的方式不同,它们都利用了下面的最小生成树性质: 设G=(V,E)是连通带权图,U是V的真子集。如果(u,v)∈E,且u∈U,v∈V-U,且在所有这样的边中,(u,v)的权c[u][v]最小,那么一定存在G的一棵最小生成树,它以(u,v)为其中一条边。这个性质有时也称为MST性质。
43树的基本性质连通无回路的图G称为树。树是点比边多一且连通,q=p–1且连通
。树是点比边多一且无回路:q=p–1且无回路。树若添条边就有回路:G无回路,若u,v∈G且uv∉E(G),则G+uv中恰有一条回路。树若减条边就不连通:G连通,对∀e∈E(G),G–e不连通。n个顶点的连通图的生成树含有n–1条边。44求最小生成树的思路一个很直观的简单想法:依次选出依据图G的权重较轻的n–1条边。这样得到的n–1条边的权重之和肯定是最小的。但是这样是否就得到了G的一棵最小生成树呢?不行!因为不能保证这n–1条边构成树?怎样才能保证这n–1条边构成树呢?生成树是含有n个顶点和n–1条边的连通并且无回路的图。45求最小生成树的两种策略策略一:在保证连通的前提下依次选出权重较小的n–1条边(在实现中体现为n个顶点的选择)。策略二:在保证无回路的前提下依次选择权重较小的n–1条边。Prim算法的做法Kruskal算法的做法46Prim算法基本思想:设G=(V,E)为无向连通带权图,令V={1,…,n}。在保证连通的前提下依次选出权重较小的n–1条边。设置一个集合S,初始化S={1},T=∅。如果V–S中的顶点j与S中的某点i连接且(i,j)是E-T中的权重最小的边,于是就选择j(将j加入S),并将(i,j)加入T中。重复执行贪心策略,直至V–S为空。47Prim算法的示例给定一个连通带权图如下:1234561655536624初始时S={1},T=∅
;1第一次选择:∵(1,3)权最小∴S={1,3}T={(1,3)};348Prim算法的示例给定一个连通带权图如下:1234561655536624初始时S={1},T=∅
;136第二次选择:∵(3,6)权最小∴S={1,3,6},T={(1,3),(3,6)};49Prim算法的示例给定一个连通带权图如下:1234561655536624初始时S={1},T=∅
;136第三次选择:∵(6,4)权最小∴S={1,3,6,4},T={(1,3),(3,6),(6,4)};450Prim算法的示例给定一个连通带权图如下:1234561655536624初始时S={1},T=∅
;1364第四次选择:∵(2,3)权最小∴S={1,3,6,4,2},T={(1,3),(3,6),(6,4),(2,3)}251Prim算法的示例给定一个连通带权图如下:1234561655536624初始时S={1},T=∅
;13642第五次选择:∵(5,2)权最小∴S={1,3,6,4,2,5},T={(1,3),(3,6),(6,4),(3,2)(2,5)}552Prim算法中的数据结构图用邻接矩阵C[i][j]给出,即C[i][j]为结点i到结点j的权重。为了有效地找出V–S中满足与S中的某个点i连接且(i,j)权重最小的顶点j,对其中每个顶点j设立两个数组closest[j]和lowcost[j]:closest[j]是S中与j最近的顶点,(closest[j],j)即为选中的边,而lowcost[j]是相应这条边的权重。53Prim算法的实现Prim(intn,Type**c){
执行以下操作n–1次:依据lowcost[]找出与S最近的点j并放入S;
调整lowcost[]和closest[];}
初始化:结点1放入S;并初始化lowcost[]和closest[];54Prim算法的实现Prim(intn,Type**c){
执行以下操作n–1次:intj=1;s[j]=true;for(inti=2;i<=n;i++){s[i]=false;closest[i]=1;lowcost[i]=c[1][i];}依据lowcost[]找出与S最近的点j并放入S;
调整lowcost[]和closest[];}将结点1放入S中其余结点都不在S中且与S的最近距离是与结点1的距离。55Prim算法的实现Prim(intn,Type**c){intj=1;s[j]=true;for(inti=2;i<=n;i++){s[i]=false;closest[i]=1;lowcost[i]=c[1][i];}
调整lowcost[]和closest[];}for(inti=1;i<n;i++){min=inf;for(intk=2;k<=n;k++)if(lowcost[k]<min&&!s[k]){min=lowcost[k];j=k;}s[j]=true;依据lowcost[]找出与S最近的点j并放入S。56Prim算法的实现Prim(intn,Type**c){intj=1;s[j]=true;for(inti=2;i<=n;i++){s[i]=false;closest[i]=1;lowcost[i]=c[1][i];}for(inti=1;i<n;i++){min=inf;for(intk=2;k<=n;k++)if(lowcost[k]<min&&!s[k]){min=lowcost[k];j=k;}s[j]=true;s中仅加入了一个新成员j,因此只需要依据结点j调整lowcost[]和closest[];}57Prim算法的实现Prim(intn,Type**c){intj=1;s[j]=true;for(inti=2;i<=n;i++){s[i]=false;closest[i]=1;lowcost[i]=c[1][i];}for(inti=1;i<n;i++){min=inf;for(intk=2;k<=n;k++)if(lowcost[k]<min&&!s[k]){min=lowcost[k];j=k;}s[j]=true;for(intk=2;k<=n;k++){if(c[j][k]<lowcost[k]&&!s[k]){lowcost[k]=c[j][k];closest[k]=j;}}}58Kruskal算法基本思想:在保证无回路的前提下依次选出权重较小的n–1条边。具体做法:若(i,j)是E中尚未被选的边中权重最小的,且(i,j)不会与已经选择的边构成回路,于是就选择(i,j)。问题:如何知道(i,j)不会造成回路?59Kruskal算法基本思想:在保证无回路的前提下依次选出权重较小的n–1条边。具体做法:若(i,j)是E中尚未被选的边中权重最小的,且(i,j)不会与已经选择的边构成回路,于是就选择(i,j)。若边(i,j)的端点i和j属于同一个连通分支,则选择(i,j)造成回路,否则不造成回路。初始时将图的n个顶点看成n个孤立分支。60Kruskal算法的数据结构数组e[][]表示图的边,e[i][u]、e[i][v]和e[i][w]分别表示边i的两个端点及其权重。函数Sort(e,w)对数组e按权重w排序。一个连通分支中的顶点表示为一个集合。函数Initialize(n)将每个顶点作为一个集合。函数Find(u)给出顶点u所在的集合。函数Union(a,b)给出集合a和集合b的并集。重载算符!=判断集合的不相等。61Kruskal算法的实现Kruskal(intn,**e){Sort(e,w);initialize(n);k=1;j=1;while(k<n){a=Find(e[j][u]);b=Find(e[j][v]);if(a!=b){t[k++]=j;Union(a,b);}j++;}}将边按权重从小到大排序。初始时每个顶点为一个集合。k累计已选的边数,j为边在e中序号,从权重最小的边开始选取。选择了n–1条边后终止循环。找出第j条边两端点所在集合。若两端点属于不同集合,则将第j条边放入树中并把这两个集合合并。继续考察下一条边。62Kruskal算法的例子1234561655536624131462253364145235345126356566初始时为6个孤立点。123456uvw63Kruskal算法的例子1234561655536624131462253364145235345126356566123456选择了边1,于是1、3点合并为同一个集合。√uvw64Kruskal算法的例子1234561655536624131462253364145235345126356566123456√选择了边2,于是4、6点合并为同一个集合。√uvw65Kruskal算法的例子1234561655536624131462253364145235345126356566123456√√uvw选择了边3,于是2、5点合并为同一个集合。√66Kruskal算法的例子1234561655536624131462253364145235345126356566123456√√uvw√选择了边4,于是1、3、4、6点合并为同一集合。√67Kruskal算法的例子1234561655536624131462253364145235345126356566123456√√uvw√√考察边5,因为1、4点属于同一个集合,被放弃。×68Kruskal算法的例子1234561655536624131462253364145235345126356566123456√√uvw√√×选择了边5,于是1、3、4、6、2、5点属于一个集合。√69Kruskal算法的例子1234561655536624131462253364145235345126356566123456√√uvw√√×√已经选择了n–1条边,算法结束。结果如图所示。70Prim与Kruskal算法的复杂性Prim算法为两重循环,外层循环为n次,内层循环为O(n),其复杂性为O(n2)。Kruskal算法中,设边数为e
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024年中国对称式目镜市场调查研究报告
- 2024年中国复膜无纺布袋市场调查研究报告
- 幼儿园水管搭建课程设计
- 夹具课程设计摘要
- 山东科技职业学院《生态毒理学》2023-2024学年第一学期期末试卷
- 山东科技大学《微积分AⅠ》2023-2024学年第一学期期末试卷
- 幼儿园升旗升成课程设计
- 常用概率分布课程设计
- 山东交通职业学院《网球Ⅰ》2023-2024学年第一学期期末试卷
- 山东交通职业学院《河流动力学与航道整治》2023-2024学年第一学期期末试卷
- 2023年海南高考卷生物试题(含答案)
- (研究生)商业伦理与会计职业道德ppt教学课件(完整版)
- 高级财务管理(第5版)教学课件汇总完整版电子教案
- 上海市中小学特殊学生随班就读个别化教学计划一
- 2021年消防继续教育题目和答案2021年消防继续教育题库完整版
- 化妆造型期末考试试卷试题及答案
- 南京大学简介PPT模板
- 第四节支原体、立克次氏体、衣原体
- (完整)主要物资、施工机械设备及劳动力进场计划
- 配网工程施工工艺示范手册-全
- 国民体质监测
评论
0/150
提交评论