贪心算法

什么是贪心算法？

就是每一阶段的最优解，从局部的最优解达到全局的最优解！

最好用的策略就是举反例，如果想不到反例，那么就试一试贪心吧。

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

455. 分发饼干

思路：这类涉及列表的数据！可以先考虑对列表进行排序先！然后优先满足最小胃口的或者排序优先满足最大胃口的都可以！

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，全局最优就是喂饱尽可能多的小孩。

class Solution:def findContentChildren(self, g: List[int], s: List[int]) -> int:s.sort()g.sort()count = 0sum = 0for _g in g:while sum < len(s):if _g <= s[sum]:count += 1s[sum] = -1breaksum += 1return countclass Solution:def findContentChildren(self, g, s):g.sort()  # 将孩子的贪心因子排序s.sort()  # 将饼干的尺寸排序index = 0for i in range(len(s)):  # 遍历饼干if index < len(g) and g[index] <= s[i]:  # 如果当前孩子的贪心因子小于等于当前饼干尺寸index += 1  # 满足一个孩子，指向下一个孩子return index  # 返回满足的孩子数目

376. 摆动序列

思路：理解题目，一上一下就是产生峰值就是摆动了！这就是贪心所贪的地方，让峰值尽可能的保持峰值，然后删除单一坡度上的节点

class Solution:def wiggleMaxLength(self, nums: List[int]) -> int: if len(nums) <= 1:return len(nums)pre_diff = 0	#前一对元素的差值	cur_diff = 0	#当前一对元素的差值count = 1	# 记录峰值for i in range(len(nums) - 1):cur_diff = nums[i + 1] -nums[i]if (pre_diff >= 0 and cur_diff < 0) or (pre_diff <= 0 and cur_diff > 0):count += 1pre_diff = cur_diffreturn count 

53. 最大子数组和

思路：关键点是，每次的比较叠加的和不能小于0，否则不如当前的数大了！还有使用额外列表来做的思想也很精妙！关键点也是大于0这一点！

class Solution:def maxSubArray(self, nums: List[int]) -> int:# 使用额外列表来解决dp = [0] * len(nums)dp[0] = nums[0]for i in range(1, len(nums)):if dp[i - 1] > 0:  dp[i] = dp[i - 1] + nums[i]else:dp[i] = nums[i]return max(dp)def maxSubArray1(self, nums: List[int]) -> int:# 使用滑动窗口来解决 关键点就是每次比较的和知否大于当前的数值cur = nums[0]temp = 0for _num in nums:temp += _num# 如果临时值大于当前窗口的最大值 重新赋值if temp > cur:cur = temp# 如果不小于0的哇，怎么累加都不会小于刚加的那个值了！if temp < 0:temp = 0return cur