代码随想录算法训练营DAY31|C++贪心算法Part.1|贪心算法的理论基础、455.分发饼干、376.摆动序列、53.最大子序和

贪心算法的理论基础

贪心算法的本质即：找个每个阶段的局部最优，从而找到全局最优。

个人感觉思想还是比较单纯的。

两个极端

卡哥在视频中谈到，贪心算法的两种极端：

• 一种就是跟常识一样，会感觉这题就得这么做

• 另一种就是感觉到难得一，根本想不到贪心的思想

其实贪心最难的题就是如何全局化局部，找到它的局部最优解，进而实现全局最优，本质上应该是数学思想吧。

贪心的套路

卡哥说贪心无套路。。。

有一些难得贪心算法的题就是：做过就会，没做过就整不出来。

在代码随想录中，卡哥已经把思想相近的题目整合到一起了，后文会贴出图表。

贪心算法中最好的策略就是：

举反例，如果想不到反例，那么就试一试贪心吧！

只要感觉可以从该局部最优推出整体最优，而且想不到反例，那么就试一试贪心算法。

贪心算法的一般性解题步骤

• 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

参考即可。

分类大纲

455.分发饼干

力扣题目链接

文章讲解：455.分发饼干

视频讲解：455.分发饼干

状态：入门级贪心算法，比较好做

思路

局部最优：尽量用大饼干喂胃口大的小孩，防止大饼干浪费

在这个基础上，好像我们就可以推导出全局最优了，因为该策略被认为是每次喂小孩的最优策略。

本题的全局最优就是：可以喂饱最多的小孩子数量

（贪心算法不要严格的数学证明）

这里我们也可以换一个思路，小饼干喂饱小胃口其实也是可以的。

伪代码

大饼干喂饱大胃口

1. 前文提到，我们要用大饼干喂胃口大的小孩，所以我们必须首先对数组进行排序

sort(g.begin, g.end); //对小孩胃口进行排序
sort(s.begin, s.end); //对饼干进行排序
int result = 0;				//最终的输出

2. 因为先用大饼干喂胃口大的小孩，所以我们应该从大到小去遍历两个数组。

int index = s.szie() - 1;
for (i = g.size() - 1; i >= 0; i--){ //遍历胃口
  if(index >= 0 && s[index] >= g[i]){ 
  	result++;
    index--;
  }
}

这里探讨一个问题，这里的两个循环，我们能不能先遍历饼干，再遍历胃口呢？

答案明显是不可以，如果我们先遍历饼干，那么如果最大的饼干不符合该胃口的话，会导致我们还拿较小的饼干去投这个胃口吗，这样我们就浪费饼干了。

这里展示代码随想录的图：

小饼干喂饱小胃口

思路同上，我们从左至右遍历胃口和饼干，那么此时我们应该主要遍历谁呢？

上文中我们遍历胃口，主要是因为担心如果遍历饼干的话，导致所有饼干都满足不了某胃口。

那么如果现在我们从左到右遍历还先遍历胃口的话，这样当然也会导致该饼干满足不了所有胃口

如图所示：

上面一行是胃，下面一行是饼干。

CPP代码

#大饼干喂饱大胃口
class Solution {
public:
    int findContentChildren(vector<int>& g, vector<int>& s) {
        sort(g.begin(), g.end());
        sort(s.begin(), s.end());
        int index = s.size() - 1; // 饼干数组的下标
        int result = 0;
        for (int i = g.size() - 1; i >= 0; i--) { // 遍历胃口
            if (index >= 0 && s[index] >= g[i]) { // 遍历饼干
                result++;
                index--;
            }
        }
        return result;
    }
};
#小饼干喂饱小胃口
class Solution {
public:
    int findContentChildren(vector<int>& g, vector<int>& s) {
        sort(g.begin(),g.end());
        sort(s.begin(),s.end());
        int index = 0;
        for(int i = 0; i < s.size(); i++) { // 饼干
            if(index < g.size() && g[index] <= s[i]){ // 胃口
                index++;
            }
        }
        return index;
    }
};

376.摆动序列

力扣题目链接

文章链接：376.摆动序列

视频链接：贪心算法，寻找摆动有细节！| LeetCode：376.摆动序列

状态：摆动这题一定要把题目审明白，后序的思路介绍部分会结合起来一起进行讲解。

思路和伪代码

首先我们要明确题意：

• 求的是最长摆动子序列，也就是说，单调区间我们是不管的可以跨过。
• 首尾算两个摆动子序列(题目中是这样定义的)。

如图中所示：

局部最优：删除单调坡度上的结点(不包括单调坡度两端的结点)，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，从而达到最长的摆动序列。

形成局部峰值的代码实现

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）

很容易我们就很容易想到"双指针"，定义prediff和curdiff来记录上下坡。我们定义一个下标i，计算prediff(nums[i] - nums[i-1])和curdiff(nums[i+1] - nums[i])，此时就说明有坡度需要统计。

---

好了，现在我们就可以思考本题中的细节问题（细节问题也都是局部峰值的研究，因为我们的贪心决定了，局部最优可以就可以导致全局最优）

细节一：上下坡中有平坡

这样的坡度，序列长度是3，我们只能去记录最后的那一个下坡路， 才能知道本序列的坡度是3。所以就有prediff = 0 && curdiff < 0条件下完成坡度的记录。

同理如果序列是[3, 2, 2, 2, 2, 3]就有prediff = 0 && curdiff > 0来完成记录。

综上所述，记录峰值的条件变成了(preDiff <= 0 && curDiff > 0) || (preDiff >= 0 && curDiff < 0)

细节二：数组首尾两端

如果对于一个子序列只有两个呢？比如数组[2, 5]，这样我们肯定知道答案，摆动序列值为2。如何计算呢？curDiff = 3, prediff = ?为了跟我们的所有序列一样可以统一处理，我们假设数组为[2, 5, 5]。这样就有了preDiff = 0; curDiff = 3。

针对以上情形，result 初始为 1（默认最右面有一个峰值），此时 curDiff > 0 && preDiff <= 0，那么 result++（计算了左面的峰值），最后得到的 result 就是 2（峰值个数为 2 即摆动序列长度为 2）

综合细节一和二的阶段性代码

// 版本一
class Solution {
public:
    int wiggleMaxLength(vector<int>& nums) {
        if (nums.size() <= 1) return nums.size();
        int curDiff = 0; // 当前一对差值
        int preDiff = 0; // 前一对差值
        int result = 1;  // 记录峰值个数，序列默认序列最右边有一个峰值
        for (int i = 0; i < nums.size() - 1; i++) {
            curDiff = nums[i + 1] - nums[i];
            // 出现峰值
            if ((preDiff <= 0 && curDiff > 0) || (preDiff >= 0 && curDiff < 0)) {
                result++;
            }
            preDiff = curDiff;
        }
        return result;
    }
};

细节三：单调坡度有平坡

根据上述代码，我们会造成一个问题：

在这里，我们的结果竟然result = 3！这是不被允许的。如何解决呢？

还记得[细节二：数组首位两端的局部](# 细节二：数组首尾两端)吗？

我们把每一次上坡都进行了一次记录，导致结果成了3，尽管这段是一个单调坡。

这是因为我们的prediff从>0 变为了 = 0，所以下一次上坡他又进行了记录，为了解决这个问题，我们只允许它在这个单调区间变化一次。所以：

我们只需要在 这个坡度 摆动变化的时候，更新 prediff 就行，这样 prediff 在 单调区间有平坡的时候 就不会发生变化，造成我们的误判

for (int i = 0; i < nums.size() - 1; i++) {
    curDiff = nums[i + 1] - nums[i];
    // 出现峰值
    if ((preDiff <= 0 && curDiff > 0) || (preDiff >= 0 && curDiff < 0)) {
        result++;
        preDiff = curDiff; // 注意这里，只在摆动变化的时候更新prediff
    }
}

思路总结

本题异常情况的本质，就是要考虑平坡， 平坡分两种，一个是 上下中间有平坡，一个是单调有平坡。

CPP代码

class Solution {
public:
    int wiggleMaxLength(vector<int>& nums) {
        if (nums.size() <= 1) return nums.size();
        int curDiff = 0; // 当前一对差值
        int preDiff = 0; // 前一对差值
        int result = 1;  // 记录峰值个数，序列默认序列最右边有一个峰值
        for (int i = 0; i < nums.size() - 1; i++) {
            curDiff = nums[i + 1] - nums[i];
            // 出现峰值
            if ((preDiff <= 0 && curDiff > 0) || (preDiff >= 0 && curDiff < 0)) {
                result++;
                preDiff = curDiff; // 注意这里，只在摆动变化的时候更新prediff
            }
        }
        return result;
    }
};

53.最大子序和

力扣题目链接

文章链接：53.最大子序和

视频链接：贪心算法的巧妙需要慢慢体会！LeetCode：53. 最大子序和

状态：

思路

纯暴力

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int result = INT32_MIN;
        int count = 0;
        for (int i = 0; i < nums.size(); i++) { // 设置起始位置
            count = 0;
            for (int j = i; j < nums.size(); j++) { // 每次从起始位置i开始遍历寻找最大值
                count += nums[j];
                result = count > result ? count : result;
            }
        }
        return result;
    }
};

贪心思路

如果-2 1在一起时，计算起点的时候，一定是从1开始计算，因为负数只会拉低总和，这就是贪心算法贪的地方。

局部最优：“连续和”为负数的时候立刻放弃，从下一个元素。

全局最优：选取最大“连续和”。

唉贪心算法的思想就是：简单而直接，但是细节需要去无限探讨。

CPP代码

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int result = INT32_MIN;
        int count = 0;
        for (int i = 0; i < nums.size(); i++) {
            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) 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
        }
        return result;
    }
};