理论基础
说实话贪心算法并没有固定的套路,所以唯一的难点就是如何通过局部最优,推出整体最优。刷题或者面试的时候,手动模拟一下感觉可以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。
贪心算法一般分为如下四步:
- 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
455.分发饼干
具体的贪心策略就是充分利用每一个饼干,所以具体要么选择大饼干先喂饱大胃口,要么选择小饼干先喂饱小胃口,其实本质一样的,以下是第二种:
首先两种方法都要做的就是为两个数组排序,然后遍历每一块饼干(因为是对于饼干的充分利用),一旦饼干能够满足胃口,就让游标(定位当前胃口)向后移一位,反之,则要一直往下找能够满足当前胃口的饼干,最后只要返回已经满足了的胃口(也就是游标的数值)即可。
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
要注意摆动序列主要是出现前一个差值和后一个差值符号相反导致的,所以贪心的策略是贪每一处两个相邻差值符号相反的地方,所以关键就是要及时更新前一个差值和当前插差值,还有一个小细节是初始化result为1,因为差值变化出现的地方一定涉及两个数,需要有一个第一个数来作为开头,然后保证之后的每一个数 它与前一个数和后一个数的差值的符号相反即可,因为数组的第一个要判断的数必然是没有与前一个数的差值,所以允许起始的差值是0,但是当前的差值一定不能是0,这样就能保证只有第一个数的与前数差值是允许为0的,之后不可以。
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
妙处在于动态处理,遍历到哪里就可以立即给出结果。这种效果的关键是怎样更新最大子序和,须知当累计和为负数的时候要及时清零,因为当前累计和是负数的时候一定会给之后的加和产生负面影响,一定小于下一个数本身,所以一定不是最大和。还有更新累加和结果的时间也很重要,必须要在加上当前数之后,试图清零负数累加和之前,因为不知道实际的result是否比当前的累加和还小,所以实时累加和一旦加入了一个新的数,都要及时判断是否比res累加和大,要及时赋值给res累加和。
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;
}