您现在的位置是:首页 >学无止境 >算法Day31 | 贪心算法,455.分发饼干,376. 摆动序列,53. 最大子序和网站首页学无止境
算法Day31 | 贪心算法,455.分发饼干,376. 摆动序列,53. 最大子序和
简介算法Day31 | 贪心算法,455.分发饼干,376. 摆动序列,53. 最大子序和
贪心算法
在贪心算法中,每一步都选择当前状态下最优的选择,而不考虑全局的最优解。贪心算法通常适用于求解一些最优化问题,例如最小生成树、最短路径、任务调度等。
贪心算法的基本思想是每次选择局部最优解,并希望通过这种选择最终达到全局最优解。然而,由于贪心算法的局部选择可能会对整体产生影响,所以贪心算法并不是适用于所有问题的解决方法。
需要注意的是,贪心算法并不保证得到问题的最优解,因为每一步的局部最优选择可能与全局最优解不一致。因此,在应用贪心算法时,需要对问题进行分析,确定贪心策略的合理性,并进行适当的证明或验证。
贪心算法的关键在于选择合适的贪心策略,以及证明贪心策略的有效性。在实际应用中,需要根据具体问题的特点来设计贪心策略,并进行适当的分析和验证。
步骤
贪心算法一般分为如下四步:
- 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
看看分解成局部问题整合起来是否解决了整体问题。
455.分发饼干
题目链接:455.分发饼干
大饼干喂胃口大的小孩
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 index = s.size() - 1;
for (int i = g.size() - 1; i >= 0; --i) {
if (index >= 0 && s[index] >= g[i]) {
--index;
++cnt;
}
}
return cnt;
}
};
376. 摆动序列
题目链接:376. 摆动序列
通过局部摆动的判定,推导整体摆动的计算。
当前数字 i
,左侧坡度、右侧坡度来确认是否为摆动。
当没有坡度时,数组中数字连续相等,让 i
移动到相等数组中的最右侧,如果当前位置的右坡度与左坡度满足条件(“异号”),则记录坡度 +1
。i
的右坡度为 i+1
的左坡度。
有一种特殊情况,如 [1, 2, 2, 2, 3]
,此时摆动为2
,通过上述描述,会算出摆动为 3
:因为 [1, 2]
和 [2, 3]
。解决这种情况:将当前右坡度赋为下一个左坡度这一语句放到 if
判断中,因为满足判断条件才会区分出左右坡度的“异号”,这种右坡度赋给左坡度才是正确的。
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
if (nums.size() == 1) return 1;
int res = 1;//默认有一个
int lDif = 0;
int rDif = 0;
for (int i = 0; i < nums.size() - 1/*最后一个数,默认为有摆动,所以从倒数第二个开始计算*/; ++i) {
rDif = nums[i + 1] - nums[i];
if ((lDif <= 0 && rDif > 0) || (lDif >= 0 && rDif < 0)) {
++res;
lDif = rDif;
}
}
return res;
}
};
53. 最大子序和
题目链接:53. 最大子序和
局部策略:连续和为负数,直接重新开始,同时记录最大值。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int res = INT_MIN;
int sum = 0;
for (auto& i : nums) {
sum += i;
if (sum > res) res = sum;
if (sum <= 0) sum = 0;
}
return res;
}
};
风语者!平时喜欢研究各种技术,目前在从事后端开发工作,热爱生活、热爱工作。