反悔贪心算法：竞赛中的高效解题技巧

1. 反悔贪心算法基础解析

1.1 贪心算法的局限与突破

贪心算法在信奥赛解题中一直是个让人又爱又恨的存在。作为C++选手，我们都经历过那种"局部最优不等于全局最优"的绝望时刻。记得去年省赛有一道资源分配题，我用标准贪心只能拿到70分，赛后才知道正解需要反悔机制。这种算法之所以被称为"带后悔药的贪心"，正是因为它允许我们在后续步骤中推翻先前的局部最优选择。

从时间复杂度来看，基础贪心通常是O(n)，而反悔贪心由于需要维护优先队列，往往会增加到O(n log n)。但这个代价换来的可能是分数从70分到AC的飞跃。在CSP-J/S这类竞赛中，反悔贪心常出现在任务调度、资源分配、区间选择等题型，特别是当题目出现"允许放弃之前选择"这类字眼时，就要立即想到这个算法。

1.2 反悔机制的核心原理

反悔贪心的精妙之处在于它用数据结构记录了所有可能的选择机会。以优先队列实现为例，当我们选择当前最优元素后，会将其反悔代价（通常是取反后的值）重新放入队列。这个操作相当于给自己留了条后路，当后续出现更优解时，可以通过"反悔"操作收回之前的决定。

这里有个关键的计算公式：
反悔代价 = 新元素值 - 被替换元素值
例如在任务调度问题中，如果我们已选择任务A(价值5)，遇到任务B(价值8)，则反悔代价为8-5=3。这个值会被存入队列，后续可能与其他任务产生新的组合。

2. 典型问题建模与实现

2.1 任务调度问题实战

让我们看一个CSP-J经典题型：有n个任务，每个任务有截止时间d和收益p，如何选择任务使总收益最大？这个问题用标准贪心（按截止时间排序）会漏掉很多高收益机会。

cpp复制struct Task {
    int d, p;
    bool operator<(const Task& t) const {
        return p < t.p;  // 大顶堆
    }
};

int maxProfit(vector<Task>& tasks) {
    sort(tasks.begin(), tasks.end(), [](const Task& a, const Task& b) {
        return a.d < b.d;  // 按截止时间排序
    });
    
    priority_queue<Task> pq;
    int current_time = 0, total = 0;
    
    for (auto& task : tasks) {
        if (current_time < task.d) {
            pq.push(task);
            current_time++;
            total += task.p;
        } else if (!pq.empty() && pq.top().p < task.p) {
            total += task.p - pq.top().p;
            pq.pop();
            pq.push(task);