格罗卜1. 贪心算法初探：从直觉到实践
第一次接触贪心算法时，我正被一道看似简单的区间调度问题困扰。题目要求在一堆会议时间安排中选择最多不重叠的会议，我本能地想到"每次选结束最早的会议"，但心里总犯嘀咕：这样真的能保证全局最优吗？直到系统学习贪心算法后，才明白这种"局部最优导致全局最优"的特性正是贪心思想的精髓。
贪心算法（Greedy Algorithm）就像一位精明的商人，在每个决策点都选择当前看来最好的选项，而不考虑长远影响。这种策略在特定类型的问题中表现出惊人的高效性——时间复杂度往往能达到O(n)或O(nlogn)，远优于动态规划的指数级复杂度。但它的适用场景也极为苛刻：必须满足贪心选择性质（局部最优能导致全局最优）和最优子结构（问题的最优解包含子问题的最优解）。
关键理解：贪心算法不是万能的，它适用于那些具有"无后效性"的问题——当前的决策不会影响后续子问题的结构。就像吃自助餐时按性价比从高到低取餐，只要餐厅不中途更换菜单，这个策略就能保证最终吃得最值。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 贪心算法的经典应用场景
2.1 区间调度问题
LeetCode 435题"无重叠区间"是理解贪心思想的绝佳案例。给定一组区间，要求移除最少数量的区间使剩余区间互不重叠。贪心解法如下：
- 按区间终点升序排序
- 初始化结束点为第一个区间的end
- 遍历后续区间，若当前区间start ≥ 结束点，则选择该区间并更新结束点
python复制def eraseOverlapIntervals(intervals):
if not intervals: return 0
intervals.sort(key=lambda x: x[1])
end = intervals[0][1]
count = 1
for i in range(1, len(intervals)):
if intervals[i][0] >= end:
end = intervals[i][1]
count += 1
return len(intervals) - count
为什么按结束时间排序？因为结束越早的区间给后续留出的空间越大。我曾尝试按开始时间排序，结果在某些测试用例中得到的不是最优解。这个教训让我明白：贪心策略的正确性需要严格数学证明，不能仅凭直觉。
2.2 分发饼干问题
LeetCode 455题展示了贪心在分配问题中的应用。假设你有一些饼干和一群孩子，每个孩子有满足度g_i，每块饼干有大小s_j，目标是让尽可能多的孩子满足（s_j >= g_i）。贪心策略是：
- 将孩子和饼干分别按升序排序
- 用最小的饼干满足最容易满足的孩子
- 若当前饼干不能满足当前孩子，则尝试更大的饼干
python复制def findContentChildren(g, s):
g.sort()
s.sort()
child = cookie = 0
while child < len(g) and cookie < len(s):
if s[cookie] >= g[child]:
child += 1
cookie += 1
return child
这个问题的变种在现实中很常见，比如服务器资源分配、课程排课等。关键在于识别出"最小满足条件"的匹配原则。
3. 贪心算法的证明方法论
3.1 交换论证法
贪心算法的正确性往往需要严密的数学证明。以区间调度为例，用交换论证证明：
假设贪心解为A，最优解为O。找到A和O第一个不同的区间，用A的区间替换O的对应区间。由于A的区间结束时间更早，这个替换不会产生冲突，且保持解的大小不变。重复此过程可将O转化为A，证明A也是最优解。
3.2 归纳法
另一种常用方法是数学归纳法。以硬币找零问题（使用最少数量的硬币）为例：
基本步：对于最小面额，贪心选择显然最优
归纳步：假设对于金额k贪心选择最优，证明对于金额k+1也成立
通过归纳可知贪心策略对所有金额都有效
注意事项：硬币问题仅在特定面额体系下适用贪心（如美分硬币）。如果面额为[1,3,4]，要找6美分，贪心会选择4+1+1而非3+3。这是初学者常踩的坑。
4. 贪心算法的典型问题分类
4.1 区间类问题
除了无重叠区间，还包括：
- 合并区间（LeetCode 56）
- 用最少数量的箭引爆气球（LeetCode 452）
- 视频拼接（LeetCode 1024）
这类问题的共同特点是需要对区间进行排序，然后基于某种贪心准则进行选择。我总结了一个解题模板：
- 按起点或终点排序（视问题而定）
- 初始化关键变量（如当前结束点）
- 遍历区间，根据条件更新选择
4.2 分配类问题
如：
- 分发糖果（LeetCode 135）
- 任务调度器（LeetCode 621）
- 根据身高重建队列（LeetCode 406）
这类问题通常需要多维度考虑。以"根据身高重建队列"为例，需要先按身高降序排列，同身高按k值升序排列，然后依次插入到k位置。这种"先处理高个子"的策略确保了插入低个子时不会影响已排好的高个子顺序。
4.3 路径类问题
典型代表：
- 跳跃游戏（LeetCode 55）
- 加油站（LeetCode 134）
- 买卖股票的最佳时机II（LeetCode 122）
跳跃游戏问题中，贪心策略是维护当前能到达的最远距离。每次跳跃时，不具体考虑跳到哪里，而是关注"从当前位置能扩展到的最大范围"：
python复制def canJump(nums):
max_reach = 0
for i in range(len(nums)):
if i > max_reach:
return False
max_reach = max(max_reach, i + nums[i])
return True
5. 贪心与动态规划的边界
很多问题既可以用贪心也可以用动态规划解决，但效率差异巨大。以背包问题为例：
- 0-1背包：必须用动态规划
- 分数背包：可以用贪心（按价值密度排序）
区分两者的关键在于问题是否具有贪心选择性质。我常用的判断方法是：
- 尝试构造一个反例，看贪心策略是否会失败
- 如果找不到反例，尝试用交换论证或归纳法证明
- 仍不确定时，先写动态规划解法，再观察是否有优化空间
LeetCode 376"摆动序列"就是个典型例子。表面看可以用贪心统计波峰波谷，但隐藏条件较多。我的建议是：当问题描述中出现"最长"、"最短"、"最少"等极值要求时，先考虑贪心的可能性。
6. 贪心算法的优化技巧
6.1 预处理排序
大多数贪心算法都需要先排序，时间复杂度通常为O(nlogn)。对于特定范围的数据，可以用计数排序等线性排序算法优化。例如当处理金额不超过10000的硬币问题时，可以用桶排序。
6.2 循环不变量
在编写贪心算法时，明确循环不变量（Loop Invariant）有助于避免错误。以区间调度为例，循环不变量可以是："在每次迭代开始时，已选区间集合是最优的，且结束时间最早"。
6.3 反向贪心
有些问题需要逆向思考。例如LeetCode 330"按要求补齐数组"，需要从覆盖区间的角度逆向处理：
python复制def minPatches(nums, n):
miss = 1
added = i = 0
while miss <= n:
if i < len(nums) and nums[i] <= miss:
miss += nums[i]
i += 1
else:
miss += miss
added += 1
return added
这个解法维护一个当前缺失的数字miss，通过不断补充缺失的最小数来扩展覆盖范围。
7. 贪心算法的局限性
虽然贪心算法简洁高效，但适用场景有限。以下情况通常不适合贪心：
- 问题需要回溯或考虑所有可能性（如N皇后问题）
- 决策会影响后续子问题的结构（如带权区间调度）
- 需要精确最优解而非近似解（如旅行商问题）
我曾在一个项目中尝试用贪心解决资源分配问题，结果因为忽略了任务间的依赖关系导致方案不可行。教训是：在应用贪心前，必须充分理解问题约束条件。
8. 实战中的调试技巧
当贪心算法得不到预期结果时，可以：
- 打印每次选择的决策点，观察选择过程
- 构造小规模测试用例手动验证
- 检查排序规则是否正确
- 验证贪心选择性质是否成立
例如在解决"监控二叉树"问题时，我最初采用从根节点开始的贪心策略，结果发现某些情况无法覆盖。后来改为从叶子节点开始监控，问题迎刃而解。这说明贪心策略的方向选择至关重要。
9. 进阶题目推荐
为了深入掌握贪心算法，建议挑战以下题目：
-
困难题：
- 去除重复字母（LeetCode 316）
- 拼接最大数（LeetCode 321）
- 任务调度器（LeetCode 621）
-
面试常考题：
- 买卖股票的最佳时机系列
- 跳跃游戏系列
- 划分字母区间（LeetCode 763）
每道题都有其独特的贪心策略。例如"去除重复字母"需要维护字典序最小，同时保证每个字符至少出现一次，这需要结合栈和哈希表来实现：
python复制def removeDuplicateLetters(s):
stack = []
seen = set()
last_occurrence = {c: i for i, c in enumerate(s)}
for i, c in enumerate(s):
if c not in seen:
while stack and c < stack[-1] and i < last_occurrence[stack[-1]]:
seen.remove(stack.pop())
seen.add(c)
stack.append(c)
return ''.join(stack)
10. 贪心算法的思维培养
要培养贪心算法的直觉，我建议：
- 从简单问题入手，理解经典贪心策略
- 尝试证明已有贪心算法的正确性
- 对比贪心解法与动态规划解法的差异
- 参加编程竞赛，接触更多变种问题
我在LeetCode刷题过程中，专门建立了贪心算法的题集，按照问题类型分类整理。当遇到新问题时，先判断是否属于某类已知的贪心模式，再调整具体策略。这种模式识别能力需要大量练习才能培养。