贪心算法
- 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。
- 大概分为四个步骤分析问题:
- 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
- 一般情况下下,如果可以通过局部最优实现全局最优,且列举不出来反例,就可以试试贪心算法
455.分发饼干
力扣题目链接
题目描述:
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。
示例 1:
输入: g = [1,2,3], s = [1,1]
输出: 1
解释:
你有三个孩子和两块小饼干,3个孩子的胃口值分别是:1,2,3。
虽然你有两块小饼干,由于他们的尺寸都是1,你只能让胃口值是1的孩子满足。
所以你应该输出1。
思路:
- 每个孩子的胃口不一样,且饼干的尺寸也不一样,我们只要每次把最大的饼干分给能满足最大胃口的孩子,就一定能分给更多的人,当然每次讲最小的饼干,分给能满足越小胃口的孩子也是可以的。
- 怎么实现呢?
- 只要将两个数组分别排序,然后同时从后遍历或者从前遍历匹配即可。
- 注意:
- 这里其实不需要双层for循环,但优化后的循环顺序需要注意:
- 先匹配胃口小的孩子的时候,如果饼干在外层循环的时候,最小的饼干都无法满足最小的胃口,那么只能往后找再大一点的饼干去满足了,但是如果胃口在外层的话,小胃口无法匹配小饼干,但是没准后面的大饼干会满足这个小胃口呢?但是由于for循环,这个小胃口就被跳过了!同理先匹配胃口大的孩子也是这个逻辑,用胃口数组去执行循环。
代码实现:
//先匹配大的
int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(), g.end());
sort(s.begin(), s.end());
int count = 0;
int last = s.size() - 1;
for (int i = g.size() - 1; i >= 0; --i) {
if (last >= 0 && g[i] <= s[last]) {
count++;
last--;
}
}
return count;
}
//先匹配小的
int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(), g.end());
sort(s.begin(), s.end());
int count = 0;
int last = 0;
for (int i = 0; i < s.size(); ++i) {
if (last < g.size() && g[last] <= s[i]) {
count++;
last++;
}
}
return count;
}
376. 摆动序列
力扣题目链接
题目描述:
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。仅有一个元素或者含两个不等元素的序列也视作摆动序列。
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。
子序列 可以通过从原始序列中删除一些(也可以不删除)元素来获得,剩下的元素保持其原始顺序。
给你一个整数数组 nums ,返回 nums 中作为 摆动序列 的 最长子序列的长度 。
示例 1:
输入:nums = [1,7,4,9,2,5]
输出:6
解释:整个序列均为摆动序列,各元素之间的差值为 (6, -3, 5, -7, 3) 。
示例 2:
输入:nums = [1,17,5,10,13,15,10,5,16,8]
输出:7
解释:这个序列包含几个长度为 7 摆动序列。
其中一个是 [1, 17, 10, 13, 10, 16, 8] ,各元素之间的差值为 (16, -7, 3, -3, 6, -8) 。
思路:
-
贪心法:
- 这道题分析起来易错点在条件判断处,很容易遗漏,摆动序列就是当前相邻两个元素之差,和上一组相邻元素之差互为相反数,几何图像呈现出来是,上下摆动的,那么很显然可以写出,如下判断条件:
pre_diff > 0 && cur_diff < 0 || pre_diff < 0 && cur_diff > 0
,然后符合条件就result + 1。 - 由于可能会出现平坡的现象,那么我们遇到此种现象需要跳过多余的数字(不要陷入删除的逻辑,根本不需要特地去判断再删除,不要被题目迷惑),留左边或者右边的数字都可以,此时只需要修改下判断条件:
pre_diff >= 0 && cur_diff < 0 || pre_diff <= 0 && cur_diff > 0
。 - 为什么加个等于判断就可以了?
- 因为假如遇到pre_diff不为0,cur_diff为0的时候,我们没有去处理,而中间不论多少相同数字也不会去处理,因为都不符合条件,直到最后一组,pre_diff为0,cur_diff不为0时,我们将result + 1,此时正是我们需要的,result只被加了一次。(当然将&&后面的写为0也行)
- 当只有两个元素时,怎么处理呢,由于要计算pre和cur至少需要三个元素,此时我们就将pre_diff当做0,然后只要两个元素不相等就符合条件,result + 1 = 2 了,否则就是1。
- 这道题分析起来易错点在条件判断处,很容易遗漏,摆动序列就是当前相邻两个元素之差,和上一组相邻元素之差互为相反数,几何图像呈现出来是,上下摆动的,那么很显然可以写出,如下判断条件:
-
陷阱: 当本来序列为递增序列时,出现平坡,此种情况如果pre随着cur一直修改就是错误的,因为result被多加了一次,为什么?因为本来单调性就没变,即使遇到平坡也不应该让result + 1。
- 解决方法:只有单调性改变的时候,pre再更新为cur即可。
-
动态规划法:
代码实现
int wiggleMaxLength(vector<int>& nums) {
if (nums.size() == 1) return 1;
int result = 1;
int pre_diff = 0, cur_diff = 0;
for (int i = 1; i < nums.size(); ++i) {
cur_diff = nums[i] - nums[i - 1];
if (pre_diff >= 0 && cur_diff < 0 || pre_diff <= 0 && cur_diff > 0) {
result++;
pre_diff = cur_diff;
}
}
return result;
}
53. 最大子序和
力扣题目链接
题目描述:
给你一个整数数组 nums ,请你找出一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
子数组 是数组中的一个连续部分。
示例 1:
输入:nums = [-2,1,-3,4,-1,2,1,-5,4]
输出:6
解释:连续子数组 [4,-1,2,1] 的和最大,为 6 。
思路:
- 滑动窗口法
- fast指针先走,将数组指针加到sum上,**如果遇到sum小于0的情况就该缩小窗口了,因为此时再往后加的话,整体的和是减少的,不如直接重新的fast点开始继续求和,**此时让sum不断减去slow的值,直到sum大于等于0为止(其实slow走到fast处了)。
- 注意:最大值是在sum改变之前判断的,否则遇到全部为负数的序列,还得在循环后单独判断,求数组最大值,因为如果放到sum改变之后的话,由于sum被减到0了,碰到全是负数的序列,那么max_sum就被赋值为0了,这是不对的,所以必须在sum更改之前就得取max了。
- 贪心法
- 其实用动态规划法修改下就是贪心法了,逻辑基本一致,就是遇到sum小于0的时候,当前sum一定会降低后序元素相加的和,但是如果是非负数的话,不用担心后续求和之后整体变小,此时我们就把sum赋值为0,注意max取值要在sum改变之前。(并不好想出来)
- 动态规划法(后序再学)
代码实现
- 滑动窗口法
int maxSubArray(vector<int>& nums) {
if (nums.size() == 1) return nums[0];
int max_sum = nums[0], sum = 0;
int slow = 0;
for (int fast = 0; fast < nums.size(); ++fast) {
sum += nums[fast];
max_sum = max_sum >= sum ? max_sum : sum;
while (sum < 0) {
sum -= nums[slow++];
}
}
// //如果全为负,取最大值
// if (sum == 0 && max_sum == 0) {
// max_sum = nums[0];
// for (int& i : nums) {
// max_sum = max_sum >= i ? max_sum : i;
// }
// }
return max_sum;
}
- 贪心法
int maxSubArray(vector<int>& nums) {
if (nums.size() == 1) return nums[0];
int max_sum = INT_MIN, sum = 0;
for (int i = 0; i < nums.size(); ++i) {
sum += nums[i];
max_sum = max_sum >= sum ? max_sum : sum;
sum = sum < 0 ? 0 : sum;
}
return max_sum;
}