Greedy Algorithm Quiz

Apa yang ingin dicapai oleh algoritma greedy?

• Mencari solusi optimal global

• Membuat pilihan terbaik di setiap langkah

• Mempertimbangkan semua kemungkinan solusi

• Menggunakan teknik pemrograman dinamis

Dalam skenario mana algoritma greedy gagal menemukan solusi optimal?

• Ketika masalah memiliki struktur matroid

• Untuk masalah dengan substruktur suboptimal

• Dalam masalah salesman perjalanan

• Ketika menggunakan pemrograman dinamis

Manakah di antara berikut ini yang merupakan contoh algoritma greedy?

• Pencarian biner

• Pengurutan gabungan

• Pencarian kedalaman pertama

• Algoritma Dijkstra

Apa karakteristik dari masalah yang cocok untuk algoritma greedy?

• Mereka memerlukan pencarian menyeluruh

• Mereka dapat diselesaikan menggunakan backtracking

• Mereka memiliki struktur suboptimal

• Mereka selalu dapat diselesaikan dalam waktu polinomial

Apa keterbatasan utama dari algoritma greedy?

• Mereka tidak menjamin solusi optimal global

• Mereka hanya dapat menyelesaikan masalah linier

• Mereka terlalu lambat untuk dataset besar

• Mereka memerlukan lebih banyak memori daripada pemrograman dinamis

Masalah mana yang dapat diselesaikan secara optimal menggunakan algoritma greedy?

• Masalah salesman keliling

• Masalah knapsack

• Masalah jumlah subset

• Pohon rentang minimum

Apa itu sifat pilihan serakah?

• Menggunakan pemilihan acak untuk menemukan solusi

• Memutuskan berdasarkan hasil masa lalu

• Menilai semua opsi yang mungkin sebelum membuat pilihan

• Memilih opsi terbaik tanpa mempertimbangkan konsekuensi di masa depan

Algoritma manakah yang dikenal untuk membangun pohon rentang minimum?

• Pengurutan cepat

• Algoritma A*

• Algoritma Floyd-Warshall

• Algoritma Kruskal

Apa aplikasi umum dari algoritma greedy dalam ilmu komputer?

• Mencari elemen dalam daftar

• Kompressi data

• Mencari jalur terpendek dalam graf

• Menyortir data

Which of the following statements is true about greedy algorithms?

• They can be faster than dynamic programming

• They require more computational resources

• They always find the best solution

• They are only applicable to linear problems