1 贪心算法的定义:
贪心算法是指在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,只做出在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解,关键是贪心策略的选择,选择的贪心策略必须具备无后效性,即某个状态以前的过程不会影响以后的状态,只与当前状态有关。
解题的一般步骤是:
1.建立数学模型来描述问题;
2.把求解的问题分成若干个子问题;
3.对每一子问题求解,得到子问题的局部最优解;
4.把子问题的局部最优解合成原来问题的一个解。
如果大家比较了解动态规划,就会发现它们之间的相似之处。最优解问题大部分都可以拆分成一个个的子问题,把解空间的遍历视作对子问题树的遍历,则以某种形式对树整个的遍历一遍就可以求出最优解,大部分情况下这是不可行的。贪心算法和动态规划本质上是对子问题树的一种修剪,两种算法要求问题都具有的一个性质就是子问题最优性(组成最优解的每一个子问题的解,对于这个子问题本身肯定也是最优的)。动态规划方法代表了这一类问题的一般解法,我们自底向上构造子问题的解,对每一个子树的根,求出下面每一个叶子的值,并且以其中的最优值作为自身的值,其它的值舍弃。而贪心算法是动态规划方法的一个特例,可以证明每一个子树的根的值不取决于下面叶子的值,而只取决于当前问题的状况。换句话说,不需要知道一个节点所有子树的情况,就可以求出这个节点的值。由于贪心算法的这个特性,它对解空间树的遍历不需要自底向上,而只需要自根开始,选择最优的路,一直走到底就可以了。
2 示例实现
/**
* 贪心算法
*
* @author xld
* 假设你想给小朋友们饼干。每个小朋友最多能够给一块儿饼干。每个小朋友都有一个“贪心指数”,称为g(i),g(i)表示的是这名小朋友需要的饼干大小的最小值。同时,每个饼干都有一个大小值s(i)。如果s(j)
* >= g(i),我们将饼干j分给小朋友i后,小朋友就会很开心。给定数组s和g,问如何分配饼干,能更让最多的小朋友开心。
*
* 如 g = [1, 2, 3], s = [1, 1],结果为1 如 g = [1, 2], s = [1, 2, 3],结果为2
*
*/
class Solution {
public int findContentChildren(int[] g, int[] s) {
Arrays.sort(g);
Arrays.sort(s);
int si = s.length - 1;
int gi = g.length - 1;
int count = 0;
while (si >= 0 && gi >= 0) {
if (s[si] >= g[gi]) {
count++;
si--;
gi--;
} else {
gi--;
}
}
return count;
}
}
/**
* 给定两个字符串s和t,问s是不是t的子序列。 如 s = “abc” , t = “ahbgdc”,则s是t的子序列,算法返回true 如 s =
* “axc” , t = “ahbgdc”,则s不是t的子序列,算法返回false
*
* @author xld
*
*/
class Solution1 {
public boolean isSubsequence(String s, String t) {
char[] auxs = s.toCharArray();
char[] auxt = t.toCharArray();
int si = 0;
int ti = 0;
while (si < auxs.length && ti < auxt.length) {
if (auxs[si] == auxt[ti]) {
ti++;
si++;
} else {
ti++;
}
}
if (si == auxs.length)
return true;
return false;
}
}