day31【贪心算法】理论基础 | 455.分发饼干 | 376.摆动序列 | 53.最大子序和

理论基础

• 代码随想录 | 贪心算法理论基础

什么是贪心

• 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。

    两个例子：
    例1，有一堆钞票，你可以拿走十张，如果想达到最大的金额，你要怎么拿？
    指定每次拿最大的，最终结果就是拿走最大数额的钱。
    每次拿最大的就是局部最优，最后拿走最大数额的钱就是推出全局最优。
    
    例2：如果是 有一堆盒子，你有一个背包体积为n，如何把背包尽可能装满？
    如果还每次选最大的盒子，就不行了。这时候就需要动态规划。动态规划的问题在下一个系列会详细讲解。
  

贪心的套路(什么时候要用贪心)

• 贪心算法没有固定套路
• 也没有固定策略和套路能看出局部最优是否能推出整体最优
• 最好用的策略：举反例，如果想不到反例，就试试贪心。

综上所述：刷题或面试时：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，就可以试一试贪心算法。

• 常识性推导 + 举反例

贪心算法的一般解题步骤：四步

1. 将问题分解为若干子问题
2. 找出适合的贪心策略
3. 求解每一个子问题的最优解
4. 将局部最优解堆叠成全局最优解

以上四步过于理论化，做题时很难按照这四步去思考。
做题时，只要想清楚局部最优是什么，能推出全局最优就ok了

455.分发饼干

• 455.分发饼干 | 题目链接

• 代码随想录 | 分发饼干讲解链接

• 题目：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。
    
    示例 2:
    输入: g = [1,2], s = [1,2,3]
    输出: 2
    解释: 
    你有两个孩子和三块小饼干，2个孩子的胃口值分别是1,2。
    你拥有的饼干数量和尺寸都足以让所有孩子满足。
    所以你应该输出2.
  

• 思路：局部最优就是 【大饼干喂给胃口大的】，充分利用饼干尺寸喂饱一个，这样得到的全局最优就是尽可能多的喂饱小孩。

class Solution {
    public int findContentChildren(int[] g, int[] s) {
        Arrays.sort(g);
        Arrays.sort(s);
        int count = 0;
        //倒序遍历饼干的大小
        int start = s.length - 1;
        //倒序遍历胃口大小，看饼干大小是否能满足胃口大小
        for(int index = g.length - 1; index >= 0; index--) {
            if(start >= 0 && s[start] >= g[index]) {
                start--;
                count++;
            }
        }
        return count;
    }
}

376.摆动序列

• 376.摆动序列 | 题目链接

• 代码随想录 | 讲解链接

• 题意：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) 。
    
    示例 3：
    输入：nums = [1,2,3,4,5,6,7,8,9]
    输出：2
  

• 贪心思路
  局部最优：删除单调坡度上的节点（不包括单调坡度两端的节点），那么这个坡度就可以有两个局部峰值。
  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。

• 思路：三种情况

  1. 情况1——上下坡中有平坡
     

  2. 情况2 —— 处理数组首尾两端：假设数组最前面还有一个数字，为了规则统一，针对序列[2,5]，可以假设为[2,2,5]，这样它就有坡度了即 preDiff = 0。result 初始为 1（默认最右面有一个峰值），此时 curDiff > 0 && preDiff <= 0，那么 result++（计算了左面的峰值），最后得到的 result 就是 2（峰值个数为 2 即摆动序列长度为 2）
     

  3. 情况3 —— 单调坡度上有平坡：只需要在 这个坡度 摆动变化的时候，更新 prediff 就行，这样 prediff 在 单调区间有平坡的时候 就不会发生变化，造成我们的误判。
     

class Solution {
    public int wiggleMaxLength(int[] nums) {
        //记录峰前坡度
        int prediff = 0;
        //记录峰后的坡度
        int curdiff = 0;
        //默认最后一个元素本身是一个摆动，res从1开始
        int res = 1;

        //for循环就不用对nums最后一个元素进行判断了，已默认它是一个摆动
        for(int i = 0; i < nums.length - 1; i++) {
            //计算峰后坡度
            curdiff = nums[i+1] - nums[i];
            //如果峰前是平坡或上坡且峰后是下坡  || 峰前是平坡或下坡且峰后是上坡，此时的峰点即一个摆动点
            if(prediff >= 0 && curdiff < 0 || prediff <= 0 && curdiff > 0) {
                res++;
                //prediff只有在遇到摆动后再更新，才不会出现单调递增或递减时有平坡还用以上的if判断条件出错的情况
                prediff = curdiff;
            }
        }
        return res;
    }
}

53.最大子序和

• 53. 最大子序和 | 题目链接

• 代码随想录 | 讲解链接

• 题意：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 。
    
    示例 2：
    输入：nums = [1]
    输出：1
    
    示例 3：
    输入：nums = [5,4,-1,7,8]
    输出：23
  

• 思路：
  当前面的累加和是负数时，只会拖累后面的和的结果，所以此时应以下一个数作为累加和的起点。

class Solution {
    public int maxSubArray(int[] nums) {
        int sum = 0;
        int res = Integer.MIN_VALUE;

        for(int i = 0; i < nums.length; i++) {
            sum += nums[i];
            res = Math.max(sum, res);
            if(sum <= 0) {
                sum = 0;
            }
        }
        return res;
    }
}