什么是贪心算法（什么是贪心算法核心）

本篇文章给大家谈谈什么是贪心算法，以及什么是贪心算法核心对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、算法09-贪心算法
• 2、贪心算法总结
• 3、5.贪心算法的核心思想。6.什么是递归？什么是迭代？两者的区别，举例说明。7.回溯的含义是什么？举例
• 4、简述贪心，递归，动态规划，及分治算法之间的区别和联系

算法09-贪心算法

贪心算法与动态规划的不同在于它对每个子问题的解决方案都作出选择，不能回退。动态规划则会保存以前的运算结果，并根据以前的结果对当前进行选择，有回退功能。

很多情况下，可以在某一步用贪心算法，全局再加一个搜索或递归或动态规划之类

贪心法可以解决一些最优化问题，如:求图中的最小生成树、求哈夫曼编码等。然而对于工程和生活中的问题，贪心法一般不能得到我们纤氏所要求的答案。

一单一个问题可以通过贪心法来解决，那么贪心法一般是解决这个问题的最好办法。由于贪心法的高效性以及其所求得的答案比较接近最优结果，贪心法也可以用作辅助算法或者直接解决毁改散一些要求结果不特别精确的问题。

当硬币可选集合固定:Coins = [20,10,5,1],求最少几个硬币可以拼出总数。比如total=36。

36 - 20 = 16 20

16 - 10 = 6 20 10

6 - 5 = 1 20 10 5

1 - 1 = 0 20 10 5 1

前面这些硬币依次是后面硬币的整数倍，可以用贪心法，能得到最优解，

贪心法的反例

非整除关系的硬币，可选集合:Coins = [10,9,1],求拼出总数为18最少需要几个硬币？

最优化算法:9 + 9 = 18 两个9

贪心算法:18 - 10 = 8 - 1 - 1 - 1 - 1 - 1 - 1 - 1 - 1 = 0 八个1

简单地说，问题能够分解成子问题来解决，子问题的最优解能递推到最终问题的最优解。这种子问题最优解成为最优子结构。

贪心算法与动态规划的不同在于它对每个子问题的最终方案都作出选择，不能回退。

动态规划则会保存以前的运算结果，并根据以前的结果对当前进行选择，有回退功能。

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

给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易（多次买卖一支股票）。

注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例 1:

输入: [7,1,5,3,6,4]

输出: 7

解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。

随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所歼穗能获得利润 = 6-3 = 3 。

示例 2:

输入: [1,2,3,4,5]

输出: 4

解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。

注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。

因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。

示例 3:

输入: [7,6,4,3,1]

输出: 0

解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

给定一个非负整数数组 nums ，你最初位于数组的 第一个下标 。

数组中的每个元素代表你在该位置可以跳跃的最大长度。

判断你是否能够到达最后一个下标。

示例 1：

输入：nums = [2,3,1,1,4]

输出：true

解释：可以先跳 1 步，从下标 0 到达下标 1, 然后再从下标 1 跳 3 步到达最后一个下标。

示例 2：

输入：nums = [3,2,1,0,4]

输出：false

解释：无论怎样，总会到达下标为 3 的位置。但该下标的最大跳跃长度是 0 ， 所以永远不可能到达最后一个下标。

给定一个非负整数数组，你最初位于数组的第一个位置。

数组中的每个元素代表你在该位置可以跳跃的最大长度。

你的目标是使用最少的跳跃次数到达数组的最后一个位置。

示例:

输入: [2,3,1,1,4]

输出: 2

解释: 跳到最后一个位置的最小跳跃数是 2。

从下标为 0 跳到下标为 1 的位置，跳 1 步，然后跳 3 步到达数组的最后一个位置。

说明:

假设你总是可以到达数组的最后一个位置。

移动下标只要遇到当前覆盖最远距离的下标，直接步数加一，不考虑是不是终点的情况。

想要达到这样的效果，只要让移动下标，最大只能移动到nums.size - 2的地方就可以了。

因为当移动下标指向nums.size - 2时：

如果移动下标等于当前覆盖最大距离下标， 需要再走一步（即ans++），因为最后一步一定是可以到的终点。（题目假设总是可以到达数组的最后一个位置），如图：

如果移动下标不等于当前覆盖最大距离下标，说明当前覆盖最远距离就可以直接达到终点了，不需要再走一步。如图：

机器人在一个无限大小的 XY 网格平面上行走，从点 (0, 0) 处开始出发，面向北方。该机器人可以接收以下三种类型的命令 commands ：

-2 ：向左转 90 度

-1 ：向右转 90 度

1 = x = 9 ：向前移动 x 个单位长度

在网格上有一些格子被视为障碍物 obstacles 。第 i 个障碍物位于网格点 obstacles[i] = (xi, yi) 。

机器人无法走到障碍物上，它将会停留在障碍物的前一个网格方块上，但仍然可以继续尝试进行该路线的其余部分。

返回从原点到机器人所有经过的路径点（坐标为整数）的最大欧式距离的平方。（即，如果距离为 5 ，则返回 25 ）

注意：

北表示 +Y 方向。

东表示 +X 方向。

南表示 -Y 方向。

西表示 -X 方向。

示例 1：

输入：commands = [4,-1,3], obstacles = []

输出：25

解释：

机器人开始位于 (0, 0)：

在柠檬水摊上，每一杯柠檬水的售价为 5 美元。

顾客排队购买你的产品，（按账单 bills 支付的顺序）一次购买一杯。

每位顾客只买一杯柠檬水，然后向你付 5 美元、10 美元或 20 美元。你必须给每个顾客正确找零，也就是说净交易是每位顾客向你支付 5 美元。

注意，一开始你手头没有任何零钱。

如果你能给每位顾客正确找零，返回 true ，否则返回 false 。

示例 1：

输入：[5,5,5,10,20]

输出：true

解释：

前 3 位顾客那里，我们按顺序收取 3 张 5 美元的钞票。

第 4 位顾客那里，我们收取一张 10 美元的钞票，并返还 5 美元。

第 5 位顾客那里，我们找还一张 10 美元的钞票和一张 5 美元的钞票。

由于所有客户都得到了正确的找零，所以我们输出 true。

示例 2：

输入：[5,5,10]

输出：true

示例 3：

输入：[10,10]

输出：false

示例 4：

输入：[5,5,10,10,20]

输出：false

解释：

前 2 位顾客那里，我们按顺序收取 2 张 5 美元的钞票。

对于接下来的 2 位顾客，我们收取一张 10 美元的钞票，然后返还 5 美元。

对于最后一位顾客，我们无法退回 15 美元，因为我们现在只有两张 10 美元的钞票。

由于不是每位顾客都得到了正确的找零，所以答案是 false。

给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额，返回 -1。

你可以认为每种硬币的数量是无限的。

示例 1：

输入：coins = [1, 2, 5], amount = 11

输出：3

解释：11 = 5 + 5 + 1

示例 2：

输入：coins = [2], amount = 3

输出：-1

示例 3：

输入：coins = [1], amount = 0

输出：0

示例 4：

输入：coins = [1], amount = 1

输出：1

示例 5：

输入：coins = [1], amount = 2

输出：2

[img]

贪心算法总结

做了这10道题，其实发现贪心算法没有什么规律，要说有什么共同特点就是都是由局部最优从而推出全局最优，每个题基本上都要考虑其局部最优是什么，其全局最优是什么，所以虽然都用到了贪心算法的思想，但是题与题之间又没有什么规律可言。

现在把这10道题的思路总结一下（总结主要以我的主观看法在写，可能别人看会不知道我在说什么）

1.分发饼干：

思路：想要完成最多的小孩满足，那么就得最小的饼干给胃口最小的小孩

这里的贪心思想，

局部最优就是尽可能让一个饼干喂饱一个

全局最优就是最多的小孩满足

2.摆动序列：

思路：这里要找到最长的摆动序列，那么其实就是找那些波峰波谷，如图所示

可以看出来，在到达波峰波谷的路上有几个数字不会影响什么，可以直接去掉。

那么这里的局部最优就是把单调坡上的点删掉，野袜大保留最多的波峰波谷

全局最优就是得到对多的波峰波谷，即最长的摆动序列

3.最大子序和

这道题显然可以暴力解出来，即列出所有子序和，找出最大的，不过计算量会比贪心大很多。

这里主要介绍贪心解的思想：

想要得到最大子序和，就得保证每次相加时，相加后不能为负数，因为负数继续往下加一定是拉低总和的，那么我们当加成到负数时就重新从下个数开始加，并实时记录最大的子序和，这样一遍循环就能得出最大子序和。好戚

局部最优：加成负数就立刻停止，并从下个元素重新开始

全局最优：得到最大子序和

4.买卖股票的最佳时机II

思路：想要得到最大利润，那就要低价买入高价卖出，那么怎样的买卖才能得到最大利润呢。

这里就体现出贪心算法的“贪”字（我猜的），这道题贪在哪呢，贪在只要有利可图就去做，即只要今天买入的价钱比明天卖出的价钱底，即有利可图，那么我就去做，做就是在今天买入，在明天卖出。

局部最优：得到每天的最大正利润

全局最优：得到最大利润

5.跳跃游戏

思路：每个数组的元素代表的是可以跳的最远下标，那么我们只要使那个最远下标包含最后一个下标就是可以跳到，那么我们每跳到一个位置就要更新那个可以跳的范围，即可以跳到的最远下标。

局部最优：每次跳跃都得出最远的跳跃范围

全局最优：最后能跳到的最大范围

6.跳跃游戏II

思路：这道题要得到最小的跳跃数，其实只要保证跳的是位置是可以跳范围内更新最远范围的位置就可以了。

为什么这么说呢？以题例来说：

我们刚开始在‘0’的位置，我们能跳到‘1’和‘2’的位置，那么我们怎么跳呢？可以看到跳到‘1’之后更新的最大范围是‘4’，跳到‘2’之后更新的最大范围是‘3’，所以我们就跳‘颂竖2’了，因为跳‘1’之后更新的最大可跳范围更大包含了跳‘2’的最大可跳范围，那么肯定是跳‘3’最优呀，这里就体现了局部最优的思想。

局部最优：每次跳后，更新的最大可调范围最大

全局最优：跳跃次数最少

7.K次取反后最大化的数组和

思路：想要得到最大数组和，我们就可以想到怎样做呢？

一，尽可能保证负数最少

二，负数绝对值大的优先变正

三，正数绝对值小的优先变负，有零变零

本着这三条原则做，就能做出来。

那么这道题体现了什么贪心思想呢？

我感觉，前面那三条都是贪心中‘贪’的体现

在负数中，局部最优就是：绝对值大的负数优先变正

在正数中，局部最优就是：绝对值小的正数变负，有零变零

得到的全局最优：数组和最大

8.加油站

思路：首先可以想到这道题是可以暴力解出来了，即分别以每个加油站为起点，得出可以跑一圈的加油站

那么贪心思想做，该怎么做呢，首先可以想到，如果以一个1点为起点当跑着跑着跑到3，油变为负数时，那么说明以这个起点是不行的，但是以2或3为起点行不行呢？答案肯定是不行的，因为1跑到3，油变为负，说明1~3的gas=0的，所以可以得出，如果1~3油数变为负数，那么由2~3油数肯定也为负数。

所以这里就可以得出，如果经过几个加油站油数变为负了，那么起点就更新为这一段路的下个加油站跑

局部最优：油量一旦为负，就从下个加油站重新跑

全局最优：得出可以跑一圈的加油站起点

9.分发糖果

思路：每个孩子至少一个，如果一个孩子比他旁边的孩子优秀，就要比他旁边的糖果多，这道题一旦两边都考虑很容易顾此失彼，所以我们就定义两个循环，分别从左到右，从右到左去考虑，只要更优秀则比他旁边的多1，如果已经多了就不用变了。

局部最优：保证优秀的孩子比他旁边的孩子糖果多

全局最优：满足题中条件，至少要发的糖果

10.柠檬水找零

思路：我们在找零时要遵守的规则一定是：

5 得5

10 得10减5

15 得15，优先减一个10减一个5  如果10块没有则减三个5

局部最优：以最少用的5块的方式找零

全局最优：得到找零能否进行下去

5.贪心算法的核心思想。6.什么是递归？什么是迭代？两者的区别，举例说明。7.回溯的含义是什么？举例

1、贪心算法主要是把问题分成很多局部问题，用局部最优解合成整体最优解。因此铅模使用这种算法需要此问题满足两个条件，一个是能够分成多个能够求解的局部问题，第二个就是局部问题的解能够合成最优解。和动态规划、回溯等相比差别就是再不回溯的前提下找出整体最优解或者接近最优解，速度快但应用有比较大的限制。

2、迭代也叫递推，通过重复执行某一步骤或者函数来求得计算结果

递归是指函数中直接或者间接调用自身

举例：

求a乘以2的10次方等于几

迭代：

for (i=0;i10;i++)

a *= 2;

递归：

int db(int a,int num)

{

if (num10)

return 2 * db(a,num+1);

else

return 1;

}

db(a,0);

3、回溯的含义就是在搜索问题的状态过程中，如果不能继续前进，再向后回到岔口，换一条路凳慎继续搜索，直到搜索完所有状态或者查找到需要的状态。

举枣激敬例：（最典型的就是树的深度搜索，下面举一个简单的例子）

int a[10]={5,3,7,9,3,2,5,6,9,1};//从3开始查找1

int read[10]=(0);//是否查找过

int readNum = 0;//查找过的个数

int forward = 1;//1为左，2为右

int tmp = 0,index = 5;

tmp = a[index];

read[index] = 1;

readNum++;

while (tmp != 1 || readNum != 10)

{

if (forward == 1)

index --;

else

index++;

if (!read[index])

{

tmp = a[index];

read[index] = 1;

readNum++;

}

if (index =0 || index=9)

forward = 3 - forward;

}

简述贪心，递归，动态规划，及分治算法之间的区别和联系

联系：都是问题求解之时的一种算法。

区别：

一、作用不同

1、贪心算法：把子问题的解局部最优解合成原来解问题的一个解。

2、递归算法：问题解法按递归算法实现。如Hanoi问题；数据的结构形改渗式是按递归定义的。如二叉树、广义表等。

3、动态规划：动态规划算法通常用于求解具有某种最优性质的问题。

4、分治算法：可以再把它们分成几个更小的子问题，以此类推，直至可以直接求出解为止。

二、方法不同

1、核兄脊贪心算法：在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，算法得到的是在某种意义上的局部最优解。

2、递归算法：通过重复将问题分解为同类的子问题而解决问题。

3、动态规划：将过程分成若干个互相联系的阶段，在它的每一阶段都需要作出决策，从而使整个过程达到最好的活动效果。

4、分治算法：将一个规模尘差为N的问题分解为K个规模较小的子问题。

三、特点不同

1、贪心算法：根据题意选取一种量度标准。

2、递归算法：递归就是在过程或函数里调用自身。

3、动态规划：虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划(如线性规划、非线性规划)，只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。

4、分治算法：原问题可以分解为多个子问题；原问题在分解过程中，递归地求解子问题；在求解并得到各个子问题的解后。

关于什么是贪心算法和什么是贪心算法核心的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。