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。
(每一步的决策都不会浪费,每一次求解都是当前的最优解)
贪心算法并没有固定的套路,就是常识性推导加上举反例。
唯一的难点就是如何通过局部最优,推出整体最优。
最好用的策略就是举反例,如果想不到反例,那么就可以试一试贪心。
刷题或者面试的时候,手动模拟一下感觉可以局部最优推出整体最优,而且想不到反例,那么就试一试贪心。
贪心有时候就是常识性的推导,所以会无意间用了贪心却不知道自己用了贪心。
1.1 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。
class Solution {
public:
int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(), g.end());
sort(s.begin(), s.end());
int cnt = 0;
int j = s.size() - 1;// 饼干数组的下标
for (int i = g.size() - 1; i >= 0; i--) {//遍历小朋友的胃口
if (j < 0) break;//饼干分完了
if (s[j] >= g[i]) {//能满足当前小朋友
cnt++;
j--;
}
}
return cnt;
}
};
1.2 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。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 。
贪心算法:每一步的决策都不会浪费,每一次求解都是当前的最优解。
动态规划算法:对每个决策都进行求解,放在表格里,最后选择最优解。
法一:贪心解法
局部最优:忽略掉单调坡度上的中间节点,就可获取该段的最高处峰值和最低处峰值(只保留两端峰值)。
整体最优:整个序列有最多的局部峰值,从而达到最长摆动序列。
该题贪心所贪的地方,就是只统计数组的峰值数量(相当于是忽略单一坡度上的节点,然后统计长度),让峰值尽可能的保持峰值,然后删除单一坡度上的节点
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
//数组无数据或只有一个数据时,最长摆动子序列的长度就为其本身数组长度
if (nums.size() <= 1) return nums.size();
/*
一旦有平坡的情况(峰值处),都默认其当前阶段的最右成员计入长度数
*/
int cnt = 1;//默认数组的最右端有一个峰值
int preDiff = 0;//当前位置的前一个差值,初始化为0,防止漏掉符合条件的首部元素
for (int i = 1; i < nums.size(); i++) {
int curDiff = nums[i] - nums[i - 1];
//碰到峰值(拍动序列的成员)
if ((preDiff <= 0 && curDiff > 0) || //山谷(\/)
(preDiff >= 0 && curDiff < 0)) { //山峰(/\)
cnt++;//成员数增加
preDiff = curDiff;//已有上一个有效摆动序列成员时再更新(对付单调期间出现平坡的情况)
}
}
return cnt;
}
};