代码随想录算法训练营第三十一天｜理论基础、455.分发饼干、376. 摆动序列、53. 最大子序和

理论基础 - 🔗

贪心的本质是选择每一阶段的局部最优，从而达到全局最优。
贪心算法一般分为如下四步：

• 将问题分解为若干个子问题
• 找出适合的贪心策略
• 求解每一个子问题的最优解
• 将局部最优解堆叠成全局最优解

这个四步其实过于理论化了，我们平时在做贪心类的题目 很难去按照这四步去思考，真是有点“鸡肋”。做题的时候，只要想清楚 局部最优 是什么，如果推导出全局最优，其实就够了。

455.分发饼干 - 🔗

讲解 - 🔗
💡思路是胃口从小到大去满足尽量多的孩子，注意循环开始之前两个数组都要变成递增的。

class Solution:
    def findContentChildren(self, g: List[int], s: List[int]) -> int:
        g, s = sorted(g), sorted(s)
        res = 0
        pos = 0
        # 小饼干先喂饱小胃口
        for i in range(len(g)):
            while pos < len(s):
                if s[pos] >= g[i]:
                    res += 1
                    pos += 1
                    break
                pos += 1
        return res

376. 摆动序列 - 🔗

讲解 - 🔗
💡自己思考的时候还是有点混乱，需要把所有情况列出来。解析的方法比较妙：

局部最优：删除单调坡度上的节点（不包括单调坡度两端的节点），那么这个坡度就可以有两个局部峰值。
整体最优：整个序列有最多的局部峰值，从而达到最长摆动序列。
实际操作上，其实连删除的操作都不用做，因为题目要求的是最长摆动子序列的长度，所以只需要统计数组的峰值数量就可以了（相当于是删除单一坡度上的节点，然后统计长度）。
这就是贪心所贪的地方，让峰值尽可能的保持峰值，然后删除单一坡度上的节点。

class Solution:
    def wiggleMaxLength(self, nums: List[int]) -> int:
        path = []
        for i in range(len(nums)):
            if not path or len(path) == 1 and nums[i] != path[0]:
                path.append(nums[i])
                continue
            
            if nums[i] > path[-1] and path[-1] < path[-2] or nums[i] < path[-1] and path[-1] > path[-2]:
                path.append(nums[i])
            elif i < len(nums) - 1 and nums[i] < path[-1] and path[-1] < path[-2] and nums[i + 1] > nums[i]:
                path[-1] = nums[i]
            elif i < len(nums) - 1 and nums[i] > path[-1] and path[-1] > path[-2] and nums[i + 1] < nums[i]:
                path[-1] = nums[i]
                continue
        return len(path)

53. 最大子序和 - 🔗

讲解 - 🔗
💡没什么思路。局部最优的情况下，并记录最大的“连续和”，可以推出全局最优。从代码角度上来讲：遍历nums，从头开始用count累积，如果count一旦加上nums[i]变为负数，那么就应该从nums[i+1]开始从 0 累积count了，因为已经变为负数的count，只会拖累总和。

误区：
大家在使用贪心算法求解本题，经常陷入的误区，就是分不清，是遇到 负数就选择起始位置，还是连续和为负选择起始位置。

在动画演示用，大家可以发现， 4，遇到 -1 的时候，我们依然累加了，为什么呢？

因为和为 3，只要连续和还是正数就会 对后面的元素 起到增大总和的作用。 所以只要连续和为正数我们就保留。

这里也会有录友疑惑，那 4 + -1 之后 不就变小了吗？ 会不会错过 4 成为最大连续和的可能性？

其实并不会，因为还有一个变量 result 一直在更新 最大的连续和，只要有更大的连续和出现，result 就更新了，那么 result 已经把 4 更新了，后面 连续和变成 3，也不会对最后结果有影响。

class Solution:
    def maxSubArray(self, nums):
        result = float('-inf')  # 初始化结果为负无穷大
        count = 0
        for i in range(len(nums)):
            count += nums[i]
            if count > result:  # 取区间累计的最大值（相当于不断确定最大子序终止位置）
                result = count
            if count <= 0:  # 相当于重置最大子序起始位置，因为遇到负数一定是拉低总和
                count = 0
        return result