贪心算法
什么是贪心算法呢?贪心算法可以认为是动态规划算法的一个特例,相比动态规划,使用贪心算法需要满足更多的条件(贪心选择性质),但是效率比动态规划要高。
- 暴力解法需要指数级时间,因为需要处理很多重复计算过程
- 动态优化(带备忘录的暴力解法),可以避免计算重复子问题,将复杂度降为 多项式级别 O(nlogn)
- 贪心算法,如果满足贪心选择性质,则可以进一步降低复杂度,达到线性级别O(n)
什么是贪心选择性质呢,简单说就是:**每一步都做出一个局部最优的选择,最终的结果就是全局最优。**注意哦,这是一种特殊性质,其实只有一部分问题拥有这个性质。
比如你面前放着 100 张人民币,你只能拿十张,怎么才能拿最多的面额?显然每次选择剩下钞票中面值最大的一张,最后你的选择一定是最优的。
然而,大部分问题明显不具有贪心选择性质。比如打牌,对手出对儿三,按照贪心策略,你应该出尽可能小的牌刚好压制住对方,但现实情况我们甚至可能会出王炸。这种情况就不能用贪心算法,而得使用动态规划解决。
435 无重叠区间
给定一个区间的集合,找到需要移除区间的最小数量,使剩余区间互不重叠。
注意:
- 可以认为区间的终点总是大于它的起点。
- 区间 [1,2] 和 [2,3] 的边界相互“接触”,但没有相互重叠。
示例 1:
输入: [ [1,2], [2,3], [3,4], [1,3] ]
输出: 1
解释: 移除 [1,3] 后,剩下的区间没有重叠。
方法1 暴力解法
在暴力法中,我们尝试不同的组合,每一个区间可以选择或不选择,共2^n中组合,然后每一种组合判断是否满足不重叠要求,需要O(n)复杂度,
总体复杂度达O(2^n*n),(可以递归求解)
2 动态规划
我们可以使用区间的起始点对 区间进行排序,然后借鉴最长子序列的dp做法
使用dp[i] 存储 到第i个区间的最大不重叠区间个数,因此计算dp[i+1]时,我们需要使用j<i的区间状态进行状态转移,具体而言就是:
dp[i] = max(dp[i],dp[j]+1); j<=i 且第j个区间和 i区间 不重叠
// 排序算法,按照区间起始点进行排序
bool compare(const vector<int> &a,const vector<int> &b){
if (a[0] != b[0])
return a[0]<b[0];
return a[1]<b[1];
}
int Solution::eraseOverlapIntervals(vector<vector<int>>& intervals) {
int res=0;
sort(intervals.begin(),intervals.end(),compare);
// dp[i] 表示使用intervals[0...i]区间能构成的最长不重叠子区间
vector<int> dp(intervals.size(),1);
for(int i=1;i<intervals.size();i++){
for(int j=0;j<i;j++){
// 如果i区间的起始点 大于 j区间结束点,则不重叠,此时使用j区间状态更新i区间
if(intervals[i][0] >= intervals[j][1]){
dp[i] = max(dp[i],dp[j]+1);
}
}
}
for(auto i:dp)
res = max(i,res);
return intervals.size()-res;
}
300.最长上升子序列
// [10,9,2,5,3,7,101,18]
int Solution::lengthOfLIS(vector<int>& nums){
int res = 1;
int len = nums.size();
if(len <= 1) return len;
// dp[i] 存储 到第i个元素的 可能的最长上升子序列长度
vector<int> dp(len,1);
for(int i=0;i<len;i++){
for(int j=0;j<i;j++){
if(nums[i] > nums[j]){
dp[i] = max(dp[i],dp[j]+1);
res = max(dp[i],res);
}
}
}
return res;
}