贪心算法

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