LeetCode 1326：贪心算法解决水龙头灌溉区间覆盖问题

1. 问题背景与核心挑战

这道LeetCode困难题1326描述了一个现实中的灌溉系统优化问题：花园长度为n米，从位置0延伸到位置n。在位置i处安装了一个能覆盖区间[i - ranges[i], i + ranges[i]]的水龙头。我们的任务是选择最少数量的水龙头，使得整个花园[0, n]都能被灌溉覆盖。

这个问题看似简单，实则暗藏多个难点：

• 水龙头的覆盖区间可能相互重叠
• 需要找到全局最优解而非局部最优
• 时间复杂度必须控制在合理范围内（O(n)或O(nlogn)）

2. 问题转化与算法选择

2.1 从实际问题到算法模型

这个问题可以转化为经典的"区间覆盖问题"：给定一个目标区间和若干子区间，选择最少的子区间来完全覆盖目标区间。在本题中：

• 目标区间是[0, n]
• 每个水龙头对应一个子区间[i - ranges[i], i + ranges[i]]

2.2 贪心算法的适用性分析

贪心算法是解决此类问题的高效选择，原因在于：

1. 问题具有最优子结构性质：全局最优解包含局部最优解
2. 贪心选择性质：每一步的局部最优能导向全局最优
3. 时间复杂度可以优化到O(n)

注意：虽然动态规划也能解决，但贪心算法在时间和空间复杂度上更优

3. 贪心算法实现详解

3.1 预处理阶段：构建有效区间

首先需要处理原始数据，构建可用的区间数组：

python复制n = len(ranges)
intervals = []
for i in range(n + 1):
    left = max(0, i - ranges[i])
    right = min(n, i + ranges[i])
    intervals.append((left, right))

这一步确保所有区间都在[0, n]范围内，避免无效计算。

3.2 贪心策略实现

核心贪心策略分为以下几个步骤：

1. 排序区间：按左端点升序，右端点降序排列

python复制intervals.sort()

2. 初始化变量：

python复制res = 0
current_end = 0
next_end = 0
i = 0

3. 主循环逻辑：

python复制while current_end < n:
    # 找到能覆盖current_end且右端点最大的区间
    while i <= n and intervals[i][0] <= current_end:
        next_end = max(next_end, intervals[i][1])
        i += 1
    
    if next_end == current_end:  # 无法继续扩展
        return -1
    
    current_end = next_end
    res += 1

3.3 边界条件处理

需要特别注意几种边界情况：

• 花园长度为0时直接返回0
• 第一个水龙头不能覆盖起点0时直接返回-1
• 中间出现无法连接的情况返回-1

4. 复杂度分析与优化

4.1 时间复杂度

• 排序阶段：O(nlogn)
• 贪心选择阶段：O(n)
• 总体：O(nlogn)

4.2 空间复杂度

只需要O(n)的额外空间存储区间数组。

4.3 进一步优化

可以省略显式排序步骤，直接预处理构建一个数组，记录每个位置能覆盖的最远右端点：

python复制max_right = [0] * (n + 1)
for i in range(n + 1):
    left = max(0, i - ranges[i])
    right = min(n, i + ranges[i])
    max_right[left] = max(max_right[left], right)

这样可以将时间复杂度优化到O(n)。

5. 完整代码实现

python复制def minTaps(n, ranges):
    # 预处理构建max_right数组
    max_right = [0] * (n + 1)
    for i in range(n + 1):
        left = max(0, i - ranges[i])
        right = min(n, i + ranges[i])
        max_right[left] = max(max_right[left], right)
    
    # 贪心算法实现
    res = 0
    current_end = 0
    next_end = 0
    
    for i in range(n + 1):
        if i > next_end:
            return -1
        
        if i > current_end:
            res += 1
            current_end = next_end
        
        next_end = max(next_end, max_right[i])
    
    return res if current_end >= n else -1

6. 测试用例与验证

6.1 基础测试用例

python复制# 示例1
n = 5
ranges = [3,4,1,1,0,0]
print(minTaps(n, ranges))  # 输出：1

# 示例2
n = 3
ranges = [0,0,0,0]
print(minTaps(n, ranges))  # 输出：-1

6.2 边界测试用例

python复制# 花园长度为0
n = 0
ranges = [0]
print(minTaps(n, ranges))  # 输出：0

# 单个水龙头完全覆盖
n = 5
ranges = [5,0,0,0,0,0]
print(minTaps(n, ranges))  # 输出：1

6.3 性能测试用例

python复制# 大规模测试
n = 10000
ranges = [1] * (n + 1)
print(minTaps(n, ranges))  # 输出：5000

7. 常见错误与调试技巧

7.1 典型错误模式

1. 忽略区间预处理：直接使用原始ranges数组，导致区间越界
2. 贪心策略错误：没有正确维护current_end和next_end的关系
3. 边界条件遗漏：忘记处理n=0或无法覆盖的情况

7.2 调试建议

1. 打印中间变量：在关键步骤打印current_end和next_end的值
2. 可视化区间：对于小规模输入，画出区间覆盖图辅助理解
3. 逐步验证：先确保预处理结果正确，再验证贪心逻辑

8. 算法扩展与变种

8.1 类似问题

1. 跳跃游戏II（LeetCode 45）：最小跳跃次数到达终点
2. 视频拼接（LeetCode 1024）：最少片段拼接覆盖整个视频
3. 合并区间（LeetCode 56）：合并所有重叠区间

8.2 问题变种

1. 加权区间覆盖：每个水龙头有开启成本，求最小总成本
2. 概率覆盖：每个水龙头有失效概率，求全覆盖的最大概率
3. 动态维护：水龙头状态会随时间变化，需要动态调整

9. 实际工程应用

这类算法在实际中有广泛应用场景：

1. 无线基站部署：最少基站覆盖目标区域
2. 监控摄像头布置：最少摄像头覆盖监控区域
3. 资源调度优化：最少资源满足所有任务需求

在实现这类系统时，除了算法本身，还需要考虑：

• 实时性要求
• 动态调整能力
• 故障容错机制

10. 个人实践心得

在解决这类区间覆盖问题时，我总结了几个关键点：

1. 预处理很重要：先把原始数据转化为标准区间形式，能简化后续处理
2. 贪心选择要明确：清楚定义什么是"最优"选择标准（如最远覆盖）
3. 边界条件先行：先处理各种边界情况，避免主逻辑被污染
4. 可视化辅助：画图能帮助理解复杂的区间关系

在实际编码中，我发现维护两个变量current_end和next_end是最容易出错的点。我的经验是：

• current_end表示当前已覆盖的区域
• next_end表示下一步能覆盖的最远位置
• 只有当i超过current_end时才需要开启新水龙头