贪心算法与排序优化：跳跃游戏II与H指数实战解析

1. 跳跃游戏II：贪心策略的实战解析

今天要啃的硬骨头是LeetCode第45题"跳跃游戏II"，这道题在周赛中出现的频率相当高。题目要求给定一个非负整数数组nums，你最初位于数组的第一个位置，数组中的每个元素代表你在该位置可以跳跃的最大长度，目标是使用最少的跳跃次数到达数组的最后一个位置。

1.1 问题本质与暴力解法

先看个具体例子：nums = [2,3,1,1,4]。从索引0出发，可以跳1或2步：

• 跳1步到索引1（值为3），再跳3步直接到终点，共2跳
• 跳2步到索引2（值为1），再跳1步到索引3（值为1），最后跳1步到终点，共3跳

显然最少需要2跳。暴力解法可以用BFS，把每个位置能跳到的位置作为下一层节点，直到到达终点。但这样时间复杂度是O(n²)，对于10^4量级的输入会超时。

1.2 贪心算法的优化思路

更聪明的做法是贪心算法，核心思想是：在每一步跳跃时，选择能使得"下一步能跳得最远"的位置。具体实现需要维护三个变量：

• current_end：当前跳跃能到达的边界
• farthest：当前能跳到的最远位置
• jumps：跳跃次数

Python实现代码：

python复制def jump(nums):
    jumps = 0
    current_end = farthest = 0
    for i in range(len(nums)-1):
        farthest = max(farthest, i + nums[i])
        if i == current_end:
            jumps += 1
            current_end = farthest
    return jumps

这个解法的时间复杂度是O(n)，空间复杂度O(1)。关键点在于理解为什么这样能保证最优解：每次跳跃都尽可能扩大下一步的选择范围，相当于在局部最优中达到全局最优。

1.3 边界条件与调试技巧

实际编码时容易踩的坑：

1. 循环范围应该是len(nums)-1而非len(nums)，因为到达最后一个位置时不需要再跳
2. 初始条件设置要正确，特别是current_end和farthest都从0开始
3. 对于nums = [0]的特殊情况，应该返回0

调试时可以打印每次跳跃后的current_end和farthest值，观察是否符合预期。例如对于nums = [2,3,1,1,4]：

• i=0: farthest=2, current_end=0 → jump=1, current_end=2
• i=1: farthest=4
• i=2: farthest=4, current_end=2 → jump=2, current_end=4
• 循环结束

2. H指数：排序与计数的双重解法

接下来是LeetCode第274题"H指数"，这道题在学术评价系统中很常见。定义：一名科研人员的h指数是指他/她有h篇论文被引用了至少h次，且其他N-h篇论文被引用次数不超过h次。

2.1 排序法的直观解法

最直观的方法是先排序再查找。将引用次数降序排列，找到第一个位置i使得citations[i] < i+1，此时的i就是h指数。

Python实现：

python复制def hIndex(citations):
    citations.sort(reverse=True)
    for i in range(len(citations)):
        if citations[i] < i + 1:
            return i
    return len(citations)

例如citations = [3,0,6,1,5]：

• 排序后[6,5,3,1,0]
• i=0: 6>=1
• i=1: 5>=2
• i=2: 3>=3
• i=3: 1<4 → h=3

时间复杂度O(nlogn)来自排序，空间复杂度O(1)（原地排序）或O(n)（非原地）。

2.2 计数法的优化方案

当论文数量n很大但单篇引用次数较小时（比如不超过n），可以用计数排序的思想达到O(n)时间复杂度：

1. 统计引用次数≥i的论文数量count[i]
2. 从高到低找最大的i使得count[i] >= i

Python实现：

python复制def hIndex(citations):
    n = len(citations)
    count = [0] * (n + 1)
    for c in citations:
        count[min(c, n)] += 1
    
    total = 0
    for i in range(n, -1, -1):
        total += count[i]
        if total >= i:
            return i
    return 0

对于citations = [3,0,6,1,5]：

• count = [1,1,0,1,0,2]（索引0~5）
• i=5: total=2 <5
• i=4: total=2 <4
• i=3: total=3 >=3 → h=3

3. 贪心算法的深入理解与应用场景

贪心算法在跳跃游戏问题中展现了强大的威力，但它并非万能钥匙。理解其适用条件至关重要：

3.1 贪心算法的适用条件

1. 最优子结构：问题的最优解包含子问题的最优解
2. 贪心选择性质：局部最优选择能导致全局最优解

在跳跃游戏II中，每次选择能跳得最远的位置，正好满足这两个条件。对比动态规划，贪心算法通常更高效但适用面更窄。

3.2 贪心算法的常见应用

1. 区间调度问题（选择最多不重叠区间）
2. 霍夫曼编码（数据压缩）
3. Dijkstra算法（最短路径）
4. Kruskal/Prim算法（最小生成树）

3.3 贪心算法的证明技巧

要证明贪心算法的正确性，常用方法：

• 交换论证：假设存在更优解，通过交换元素得到矛盾
• 归纳法：证明每个步骤的选择保持最优性
• 拟阵理论：某些问题可以建模为拟阵

对于跳跃游戏II，可以用归纳法证明：假设前k步是最优的，那么第k+1步选择能跳得最远的位置也必然最优。

4. 排序算法的选择与性能考量

H指数问题的两种解法展示了排序在不同场景下的应用：

4.1 排序法 vs 计数法

4.2 Python排序的内部机制

Python的list.sort()使用Timsort算法，是归并排序和插入排序的混合体：

• 最坏情况O(nlogn)
• 最好情况O(n)（已排序）
• 稳定排序
• 空间复杂度O(n)

对于H指数问题，如果引用次数范围很大（如某些论文被引数万次），排序法可能更合适。

4.3 工程实践中的排序优化

在实际项目中：

1. 对小数组（n<100）可能直接用插入排序
2. 对基本有序数组，Timsort表现极佳
3. 对特定范围整数，计数排序/桶排序可能更好
4. 内存紧张时需要考虑原地排序

在H指数问题中，如果n很大但引用次数范围小（如0~1000），可以先用计数法统计频次，再模拟排序过程，进一步优化空间。