文章目录
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
![](https://img-blog.csdnimg.cn/direct/de7b3dc164744a54a1b833098c1da79e.png#pic_center)
455.分发饼干
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
- 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
- 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:
![](https://img-blog.csdnimg.cn/direct/932ce0f55f244b9a9e4bf46b061efac1.png#pic_center)
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:
![](https://img-blog.csdnimg.cn/direct/6add5a392be54f3881dcc3ef59fb23cf.png)
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
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:
![](https://img-blog.csdnimg.cn/direct/811266ecfd0b4f5ba7fb04a763bb83b3.png#pic_center)
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
![](https://img-blog.csdnimg.cn/direct/d4b9385274f14441bdc536de4927e382.png#pic_center)
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:
![](https://img-blog.csdnimg.cn/direct/086adc89a7b64aadb355aa8024250977.png#pic_center)
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
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;
}
};