贪心算法核心思想与LeetCode高频应用解析

1. 贪心算法核心思想与应用场景

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。这种"局部最优导致全局最优"的思想，使其成为解决最优化问题的高效工具。在实际应用中，贪心算法特别适合以下三类问题：

1. 区间调度问题：如会议室安排、课程选择等需要最大化活动数量的场景
2. 覆盖问题：如基站覆盖、跳跃游戏等需要最小化资源使用的场景
3. 最值问题：如股票买卖、找零钱等需要计算极值的场景

贪心算法之所以能在LeetCode热题中频繁出现，关键在于它通常能将O(n²)的暴力解法优化到O(n)的时间复杂度。以股票买卖问题为例，暴力解法需要双重循环计算所有买卖组合，而贪心算法通过维护历史最低价，仅需一次遍历即可确定最大利润。

关键理解：贪心算法不是万能的，其正确性依赖于问题具有"贪心选择性质"——即局部最优解能导致全局最优解。在使用前必须验证问题是否满足这个特性。

2. 股票买卖问题：121. 买卖股票的最佳时机

2.1 问题本质与暴力解法

这个问题要求找到数组中后减前的最大差值（且必须后大于前）。最直观的暴力解法是：

java复制int maxProfit = 0;
for (int i = 0; i < prices.length; i++) {
    for (int j = i + 1; j < prices.length; j++) {
        maxProfit = Math.max(maxProfit, prices[j] - prices[i]);
    }
}
return maxProfit;

这种解法时间复杂度为O(n²)，在LeetCode上提交会导致超时。

2.2 贪心策略的优化思路

我们发现其实不需要计算所有组合。对于任意一个卖出点prices[i]，能获得的最大利润只与它之前的最低买入价有关。因此可以：

1. 维护一个变量记录历史最低价minPrice
2. 遍历时计算当前价格与minPrice的差值
3. 更新最大利润maxProfit

这种思路将问题转化为单次遍历中的极值维护问题。

2.3 代码实现与边界处理

java复制public int maxProfit(int[] p