今日任务:
- 理论基础
- 455.分发饼干
- 376. 摆动序列
- 53. 最大子序和
一、理论基础
贪心的本质是选择每一阶段的局部最优,从而达到全局最优。
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
二、分发饼干
假设你是一位很棒的家长,想要给你的孩子们一些小饼干。但是,每个孩子最多只能给一块饼干。
对每个孩子 i,都有一个胃口值 g[i],这是能让孩子们满足胃口的饼干的最小尺寸;并且每块饼干 j,都有一个尺寸 s[j] 。如果 s[j] >= g[i],我们可以将这个饼干 j 分配给孩子 i ,这个孩子会得到满足。你的目标是尽可能满足越多数量的孩子,并输出这个最大数值。
思路:所有的事物分为两个,一个是胃口,一个是饼干尺寸。我们要做的二就是用有限的饼干尺寸去满足更更多的胃口。为了达成这一目标,最优解就是用大尺寸的饼干喂给大的胃口,充分利用饼干的尺寸,避免浪费。
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 result=0;
for(int i=g.size()-1;i>=0;i--){
if(index >=0&&s[index]>=g[i]){
result++;
index--;
}
}
return result;
}
};
这里用了index记录数组中元素的多少,在循环中避免了双循环。
在做题的时候我在想,为什么不能从小到大遍历呢,然后就写了下面的代码:
class Solution {
public:
int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(),g.end());
sort(s.begin(),s.end());
int index =0;
int result=0;
for(int i=0;i<g.size();i++){
if(index <s.size()&&s[index]>=g[i]){
result++;
index++;
}
}
return result;
}
};
结果是报错的,原因是什么,因为我们的index指针是不动的,如果胃口的最小值大于饼干的最小值,那么指针一直不动,导致错误。
但实际上只要把循环顺序调换,让小饼干循环,满足小胃口。
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;
}
};
就可以解决问题。
三、摆动序列
如果连续数字之间的差严格地在正数和负数之间交替,则数字序列称为摆动序列。第一个差(如果存在的话)可能是正数或负数。少于两个元素的序列也是摆动序列。
例如, [1,7,4,9,2,5] 是一个摆动序列,因为差值 (6,-3,5,-7,3) 是正负交替出现的。相反, [1,4,7,2,5] 和 [1,7,4,5,5] 不是摆动序列,第一个序列是因为它的前两个差值都是正数,第二个序列是因为它的最后一个差值为零。
给定一个整数序列,返回作为摆动序列的最长子序列的长度。 通过从原始序列中删除一些(也可以不删除)元素来获得子序列,剩下的元素保持其原始顺序。
思路:本题要求两个数的差值是正负交替的,所以就说明如果存在某几个节点之间是单调坡度,则在他们之间的一些节点就不是满足条件的节点,需要有局部峰值
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
if(nums.size()<=1) return nums.size();
int curdiff=0;
int prediff=0;
int result=1;
for(int i=0;i<nums.size()-1;i++){
curdiff=nums[i+1]-nums[i];
if((prediff<=0&&curdiff>0||prediff>=0&&curdiff<0)){
result++;
prediff =curdiff;
}
}
return result;
}
};
本题其实在思考的过程中很难一次想到位,其中要考虑三种情况:
- 情况一:上下坡中有平坡
- 情况二:数组首尾两端
- 情况三:单调坡中有平坡
思路2:动态规划
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
int dp[1005][2];
memset(dp,0,sizeof dp);
dp[0][0]=dp[0][1]=1;
for(int i=1;i<nums.size();i++){
dp[i][0]=dp[i][1]=1;
for(int j=0;j<i;++j){
if(nums[j]>nums[i]){
dp[i][1]=max(dp[i][1],dp[j][0]+1);
}
}
for(int j=0;j<i;j++){
if(nums[j]<nums[i]){
dp[i][0]= max(dp[i][0],dp[j][1]+1);
}
}
}return max(dp[nums.size()-1][0],dp[nums.size()-1][1]);
}
};
四、最大子序和
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int pre = 0, maxAns = nums[0];
for (const auto &x: nums) {
pre = max(pre + x, x);
maxAns = max(maxAns, pre);
}
return maxAns;
}
};
这是一个极其简洁的代码,它的原理是,pre存储累加和,但是如果不是最大值的时候,maxans不会改变,同时如果此时的累加和是负的,说明对于整体的累加和是副作用,所以pre用max函数规避了这个坑。
但这有点过于简洁,为了更好地体现贪心,写一下代码:
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){
result=count;
}
if(count<=0){
count =0;
}
}
return result;
}
};
若count为正数,则一直存下去,如果count>result则更新result
动态规划:
class Solution {
public:
int maxSubArray(vector<int>& nums) {
if(nums.size()==0) return 0;
vector<int> dp(nums.size(),0);
dp[0]=nums[0];
int result =dp[0];
for(int i=1;i<nums.size();i++){
dp[i]=max(dp[i-1]+nums[i],nums[i]);
if(dp[i]>result) result=dp[i];
}
return result;
}
};
这其实和第一段代码有异曲同工之处。
前两天有笔试和面试,终于回来补作业了