贪心算法、动态规划（解题步骤、区别联系）

1.贪心算法

• 贪心点：贪心算法即贪心选择策略(判断怎么选择才能做到每一次选择达到局部最优，即找到贪心点)
• 排序：贪心问题一般都涉及到排序(Comparable、Comparator),通常可能会涉及到两个选择属性自定义排序
• 选择：在排好序进行选择时，通常会选择满足可行解中最小的解，将更大的可行解保留用于解决之后的选择（既做到了局部最优，又有保留的将更有利的的解留到了后续选择中，做到了贪心）
• 辅助：常利用数组记录进行局部选择时满足可行解的个数或顺序位置

2.动态规划

• 1.动态规划算法一般都有下面两种实现方式，前者称为递归版本，后者称为迭代版本，且两个版本是可以相互转换的。
  - 1.直接自顶向下实现递归式，并将中间结果保存，这叫备忘录法；
- 2.按照递归式自底向上地迭代，将结果保存在某个数据结构中求解。
• 2.一般求解思路
  1.原问题分解为子问题
• 把原问题分解为若干个子问题，子问题和原问题地形式相同或类似，只是规模变小了。当子问题都解决时，原问题也就解决了。
• 子问题一旦求出就立即保存(重叠子问题性质)，所以每个问题只需被求解一次
  2.确定状态
• 在动态规划问题中，常常将和子问题相关的各个变量的一组取值称之为一个“状态”，经常碰到的情况是，k个整形变量能构成一种状态(如数字三角形问题中的行号和列号)。如果k个整形变量取值范围分别是N1、N2、N3…Nk，那么，我们经常会用一个k维数组 array[N1][N2][N3]…[Nk]来存储各个状态的值，而此值就是当前状态下子问题的解； 并且，此值未必是一个整形或浮点数，可能需要一个结构才能表示的，那么array数组就是一个结构数组。
  3.确定一些初始状态（边界状态）的值
• 动态规划问题中经常采用递推实现，可以初始化最底层状态下的值。
  4.确定状态转移方程
• 定义出什么是“状态”，以及在该“状态”下的值后，就要找出不同状态之下如何迁移——即如何从一个或多个“值”(已知的状态)，求解出另一个“状态”下的值（“人人为我” 递推型） 状态的迁移可以用递推公式表示，此递推公式被称为：“状态转移方程”

3.贪心与动规区别联系

• 1.概念

• 贪心算法
  基本思想：贪心算法并不从整体最优上加以考虑，它所做的选择只是在某种意义上的局部最优解。
  基本要素：最优子结构性质和贪心选择性质。

• 动态规划
  基本思想：将待求解的问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
  基本要素：最优子结构性质和重叠子问题性质、无后效性
无后效性： 当前若干个值一旦确定后，此后过程的演变只与这若干个状态的值有关，和之前采用那种手段或经过哪条路径演变到当前若干个状态无关。

• 区别联系

• 共同点：两者都具有最优子结构性质

• 不同点：
  1.动态规划算法中，每步所做的选择往往依赖于相关子问题的解，因而只有在解出相关子问题时才能做出选择。
  贪心算法，仅在当前状态下做出最好选择，即局部最优选择，然后再去解做出这个选择后产生的相应的子问题，对后续子问题继续选择从而达到全局最优。
  2.动态规划算法通常以自底向上的方式解各子问题，而贪心算法则通常自顶向下的方式进行。