目录
贪心算法是一种在每一步选择中都采取在当前状态下最好或最优(即最有利)的选择,从而希望导致结果是全局最好或最优的算法策略。贪心算法在有最优子结构的问题中尤为有效。最优子结构的意思是局部最优解能决定全局最优解。
贪心算法不保证会得到最优解,但是它在某些问题上会得到最优解,并且它比穷举法简单,计算速度更快。
贪心算法的特点
- 贪心选择性质:在算法的每一步选择中都采取在当前状态下最好或最优的选择。
- 最优子结构性质:问题具有最优子结构,即问题的最优解包含其子问题的最优解。
贪心算法的应用
- 硬币找零问题:给定不同面额的硬币和一个总金额,要求凑出总金额需要的最少硬币数。
- 区间调度问题:给定一系列的活动,每个活动都有一个开始时间和结束时间,目标是选择最大数量的互不重叠的活动。
- 哈夫曼编码:用于数据压缩,通过构建最优的二叉树来实现。
- 最小生成树问题:在图论中,生成一棵包含图中所有顶点的最小权重的树。
- 单源最短路径问题:在图中找到从单一源点到其他所有顶点的最短路径。
贪心算法的步骤
- 建立数学模型:定义问题的解空间,将问题形式化。
- 贪心选择:在每一步都做出局部最优的选择。
- 可行性论证:证明贪心选择能够导致全局最优解。
- 实现算法:编写代码实现算法。
贪心算法的局限性
- 不总是能得到最优解:在某些问题中,贪心算法可能无法得到最优解。
- 依赖于问题的结构:贪心算法的有效性依赖于问题是否具有最优子结构。
力扣455 ----分饼干
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.提示:
- 1 <= g.length <= 3 * 104
- 0 <= s.length <= 3 * 104
- 1 <= g[i], s[j] <= 231 - 1
方法:排序 + 双指针 + 贪心
为了尽可能满足最多数量的孩子,从贪心的角度考虑,应该按照孩子的胃口从小到大的顺序依次满足每个孩子,且对于每个孩子,应该选择可以满足这个孩子的胃口且尺寸最小的饼干。证明如下。
首先对数组 g 和 s 排序,然后从小到大遍历 g 中的每个元素,对于每个元素找到能满足该元素的 s 中的最小的元素。具体而言,令 i 是 g 的下标,j 是 s 的下标,初始时 i 和 j 都为 0,进行如下操作。
对于每个元素 g[i],找到未被使用的最小的 j 使得 g[i]≤s[j],则 s[j] 可以满足 g[i]。由于 g 和 s 已经排好序,因此整个过程只需要对数组 g 和 s 各遍历一次。当两个数组之一遍历结束时,说明所有的孩子都被分配到了饼干,或者所有的饼干都已经被分配或被尝试分配(可能有些饼干无法分配给任何孩子),此时被分配到饼干的孩子数量即为可以满足的最多数量。
代码
class Solution:
def findContentChildren(self, g: List[int], s: List[int]) -> int:
g.sort()
s.sort()
m,n = len(g),len(s)
i=j=count = 0
while i<m and j <n:
while j<n and g[i]>s[j]:
j+=1
if j<n:
count+=1
i+=1
j+=1
return count