贪心算法理论基础
贪心算法:每一步取局部最优,最终可以获得全局最优。
什么时候用贪心:看是否能举出反例来,举不出来可以尝试使用贪心。
贪心有时候就是最常识的推导,无需数学公式或证明,很多时候不需要有为什么这么做,而是就是应该这么做的思想。
应该明确每一步的局部最优的思想是怎样的,是怎样通过局部最优求解全局最优。
LeetCode455.分发饼干
这道题的思路就是用大的饼干尽可能地满足大的胃口地孩子,以使饼干浪费的尽可能的少。代码如下:
当然反过来的思路也可以,就是让小饼干尽可能满足小胃口的孩子,以使饼干浪费尽可能的少。
这样就是局部最优,最终推出全局最优的情况,举不出反例,而且严格数学推导就太麻烦了。
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;
int i = g.size()-1;
int result = 0;
while(index>=0 && i>=0){
if(s[index]>=g[i]){
index--;
result++;
}
i--;
}
return result;
}
};
LeetCode376. 摆动序列
本题需要考虑三种特殊情况:
1、上下坡有平坡儿
2、首尾节点
3、单调有平坡
对于第一种情况,只需要在if判断语句里面判断=0的情况
对于第二种情况,首节点时可以想象成在头节点延长了一个等值的节点,这样就会满足if判断语句,会result+1,而尾节点就默认+1即可
对于第三种情况,发现if判别语句中会默认把第三种情况也判别进来,所以将对predif的更新放在if语句里面,当坡度发生变化的时候,才默认更新predif,由此就可以排除第三种情况。
代码如下:时间复杂度O(n);空间复杂度O(1)。
本题其实也可以用动态规划的方法,但是时间和空间复杂度会更复杂。
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
int predif = 0;
int curdif = 0;
int result = 0;
for(int i=0;i<nums.size()-1;i++){
curdif = nums[i+1]-nums[i];
if((predif>=0 && curdif<0)
|| (predif<=0 && curdif>0)){
result++;
predif = curdif;
}
}
return ++result;
}
};
LeetCode53. 最大子序和
本题利用贪心策略求解局部最优的思想为,如果前面的连续和为负数,则立刻舍弃,从当前数开始做累加,其实这也实现了首尾不能是负数的思想。记录每个位置下的连续和大小,最终记录最大位置处的连续和。
代码如下:时间复杂度O(n);空间复杂度O(1)
当然也可以使用动态规划的思想,时间空间复杂度要更大。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int result = INT_MIN;
int sum = 0;
for(int i=0;i<nums.size();i++){
sum += nums[i];
result = max(result,sum);
if(sum<=0){
sum = 0;
}
}
return result;
}
};