贪心算法精解（Java实现）：从理论到实战

一、贪心算法概述

贪心算法（Greedy Algorithm）是一种在每一步选择中都采取当前状态下最优决策的算法策略。它通过局部最优选择来达到全局最优解，具有高效、简洁的特点。

核心特点：

局部最优选择：每一步都做出当前看来最佳的选择，即在当前状态下，不考虑整体的最优解，只关注眼前的最优决策。
无后效性：当前决策不会影响后续决策，也就是说，在做出当前的最优选择后，不会改变未来状态的决策空间和决策方式。
高效性：通常时间复杂度较低，相比于一些需要穷举所有可能性的算法，贪心算法能更快地得到结果。

适用场景：

问题具有最优子结构：即问题的最优解包含了其子问题的最优解。例如，在区间调度问题中，全局的最优区间选择方案包含了每个子区间的最优选择。
问题具有贪心选择性质：通过一系列局部最优选择可以得到全局最优解。这是贪心算法能够应用的关键条件。
不需要回溯或考虑所有可能性：贪心算法在每一步都直接做出选择，而不需要回头修改之前的决策，也不需要考虑所有可能的情况。

二、贪心算法基本框架（Java 实现）

import java.util.List;// 假设Problem类是存储问题相关数据的类
class Problem {private List<Item> items;public Problem(List<Item> items) {this.items = items;}public List<Item> getItems() {return items;}
}// 假设Item类是表示问题中每个元素的类
class Item {// 可以根据具体问题添加属性和方法
}// 假设Solution类是存储最终解决方案的类
class Solution {// 可以根据具体问题添加属性和方法，用于存储和操作解决方案public void add(Item item) {// 实现将item添加到解决方案中的逻辑}
}public class GreedyAlgorithm {public static Solution greedySolution(Problem problem) {// 1. 初始化解决方案Solution solution = new Solution();// 2. 对输入进行预处理（如排序）List<Item> items = preprocess(problem.getItems());// 3. 贪心选择过程for (Item item : items) {if (canSelect(item, solution)) {solution.add(item);}}// 4. 返回最终解return solution;}private static List<Item> preprocess(List<Item> items) {// 根据具体问题实现对输入数据的预处理，例如排序// 这里简单返回原数据，实际应用中需要进行处理return items;}private static boolean canSelect(Item item, Solution solution) {// 判断当前项是否能被选中// 根据具体问题实现return true;}
}

三、经典贪心算法问题

3.1 找零钱问题（Coin Change）

import java.util.Arrays;public class CoinChange {public static int minCoins(int[] coins, int amount) {Arrays.sort(coins); // 先排序，将硬币面额从小到大排列int count = 0;int index = coins.length - 1; // 从最大面额开始，因为要尽可能使用大面额的硬币以减少硬币数量while (amount > 0 && index >= 0) {if (coins[index] <= amount) {int num = amount / coins[index]; // 计算当前面额硬币的使用数量count += num; // 将使用数量累加到总硬币数中amount -= num * coins[index]; // 从总金额中减去已使用的硬币金额}index--; // 尝试下一个较小面额的硬币}return amount == 0? count : -1; // 如果金额正好用完，返回总硬币数；否则返回-1表示无法找零}
}

3.2 区间调度问题（Interval Scheduling）

import java.util.Arrays;public class IntervalScheduling {public static int maxNonOverlappingIntervals(int[][] intervals) {if (intervals == null || intervals.length == 0) return 0;// 按照结束时间排序，这样能保证每次选择的区间结束时间最早，为后续选择留出更多空间Arrays.sort(intervals, (a, b) -> a[1] - b[1]);int count = 1; // 至少有一个区间可以选择int end = intervals[0][1]; // 记录当前已选区间的结束时间for (int i = 1; i < intervals.length; i++) {if (intervals[i][0] >= end) {count++; // 找到一个不重叠的区间，区间数量加1end = intervals[i][1]; // 更新当前已选区间的结束时间}}return count;}
}

四、LeetCode 经典题目解析

4.1 买卖股票的最佳时机 II（LeetCode 122）

class Solution {public int maxProfit(int[] prices) {int profit = 0;for (int i = 1; i < prices.length; i++) {if (prices[i] > prices[i - 1]) {profit += prices[i] - prices[i - 1]; // 如果今天的价格比昨天高，就进行买卖获取利润}}return profit;}
}

这道题的贪心策略是：只要今天的股票价格比昨天高，就进行一次买卖操作，获取差价利润。因为可以进行多次买卖，所以每次价格上涨都能带来利润，最终得到的总利润就是最大利润。

4.2 跳跃游戏（LeetCode 55）

class Solution {public boolean canJump(int[] nums) {int maxReach = 0;for (int i = 0; i < nums.length; i++) {if (i > maxReach) return false; // 如果当前位置超过了能到达的最大位置，说明无法到达终点maxReach = Math.max(maxReach, i + nums[i]); // 更新能到达的最大位置if (maxReach >= nums.length - 1) return true; // 如果能到达的最大位置已经超过或等于终点，说明可以到达终点}return true;}
}

这道题的贪心策略是：在遍历数组的过程中，不断更新能到达的最大位置。如果当前位置超过了能到达的最大位置，说明无法继续前进；如果能到达的最大位置已经超过或等于终点，说明可以到达终点。

五、贪心算法解题技巧

排序预处理：大多数贪心问题需要先对输入数据进行排序
- 按开始时间、结束时间、权重等关键属性排序。例如在区间调度问题中，按照区间的结束时间排序，能保证每次选择的区间结束时间最早，为后续选择留出更多空间。
优先队列应用：处理需要动态获取最优解的问题
```
PriorityQueue<Integer> pq = new PriorityQueue<>();
```

优先队列可以在每次操作中快速获取当前的最优元素，适用于需要动态维护最优解的场景，比如在一些涉及到权重或优先级的问题中。
3. 双指针技巧：适用于区间类问题

int left = 0, right = array.length - 1;

双指针可以在数组或区间上进行高效的遍历和操作，通过两个指针的移动来解决一些与区间相关的问题，比如寻找最长不重叠区间等。
4. 贪心选择证明：

交换论证法：通过交换当前贪心选择和其他选择，证明贪心选择不会导致更差的结果。
数学归纳法：证明对于小规模问题贪心选择是正确的，然后假设对于规模为 n 的问题贪心选择正确，证明对于规模为 n+1 的问题贪心选择也正确。
反证法：假设贪心选择不是最优的，推出矛盾，从而证明贪心选择是最优的。

六、贪心算法的局限性

不能保证全局最优：某些问题无法通过贪心算法得到最优解。因为贪心算法只考虑当前的最优选择，而没有考虑整体的情况，可能会陷入局部最优解。
适用范围有限：仅适用于具有贪心选择性质的问题。如果问题不满足贪心选择性质，使用贪心算法可能得到错误的结果。
需要严格证明：必须证明贪心选择的正确性。在应用贪心算法之前，需要通过数学证明或其他方法来验证贪心策略的有效性，否则可能无法得到正确的结果。

七、实战建议

识别贪心性质：分析问题是否具有贪心选择性质。可以通过尝试一些简单的例子，观察是否可以通过局部最优选择得到全局最优解。
从简单案例入手：通过小例子验证贪心策略。在解决复杂问题之前，先从简单的情况开始，验证贪心策略的正确性和有效性。
与动态规划对比：当贪心不适用时考虑动态规划。如果发现问题不满足贪心选择性质，或者贪心算法无法得到最优解，可以考虑使用动态规划等其他算法。
边界条件检查：特别注意空输入、极值等情况。在编写代码时，要考虑到各种可能的边界情况，避免出现错误。

八、进阶练习

分发饼干（LeetCode 455）
无重叠区间（LeetCode 435）
加油站问题（LeetCode 134）
任务调度器（LeetCode 621）

// 示例：分发饼干（LeetCode 455）
import java.util.Arrays;class Solution {public int findContentChildren(int[] g, int[] s) {Arrays.sort(g); // 对孩子的胃口大小进行排序Arrays.sort(s); // 对饼干的大小进行排序int i = 0, j = 0;while (i < g.length && j < s.length) {if (s[j] >= g[i]) {i++; // 如果当前饼干能满足当前孩子的胃口，孩子数量加1}j++; // 无论是否能满足，都尝试下一块饼干}return i; // 返回能满足的孩子数量}
}