1 基本思想
从问题的某一个初始解出发,通过一系列的贪心选择-当前状态下的局部最优选择,逐步逼近给定的目标;从而达到全局最优 的选择。
在每个阶段,都作出一个按照某个评价函数最优的决策,这个评价函数最优称为贪心准则(类似于动态规划的状态转移方程)
2 贪心算法产生优化解的条件
1.贪心选择性质:
若一个问题的全局最优解可以通过局部最优解来得到,则说明该问题具有贪心选择性质。
2.优化子结构:
当一个问题的最优解包含其子问题的最优解时,称此问题具有最优子结构性质。
3 贪心算法和动态规划的区别
贪心算法是自顶向下的,而动态规划则是自底向上的。
1.动态规划是自底向上,求出各子问题的优化解,最后汇集优化解从而得出问题的全局最优解(可以想象成各个小河流入大海)
2.贪心算法是自顶向下,以迭代的方式一步一步做出贪心选择,从而把问题简化成规模更小的问题。
4 贪心算法的基本思路
从问题的某一个初始解出发逐步逼近给定的目标,以尽可能快的地求得更好的解。当达到算法中的某一步不能再继续前进时,算法停止。
该算法存在问题:
1. 不能保证求得的最后解是最佳的;
2. 不能用来求最大或最小解问题;
3. 只能求满足某些约束条件的可行解的范围。
实现该算法的过程:
- 从问题的某一初始解出发;
- while 能朝给定总目标前进一步 do
- 求出可行解的一个解元素;
- 由所有解元素组合成问题的一个可行解;
LeetCode 55 跳跃游戏
贪心准则:选择能跳的最远的位置;
class Solution(object):
def canJump(self, nums):
"""
:type nums: List[int]
:rtype: bool
"""
cur = 0
length = len(nums)
for i in range(length):
# 如果当前坐标,不可以通过之前的位置跳跃到达
# 或者当前的最远位置已经到达数组末尾
if i>cur or cur>=length-1:
break
# cur保存当前能到达的最远距离
cur = max(cur, i+nums[i])
return cur>=length-1