1. 贪心算法基础与核心思想
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。它不像动态规划那样考虑全局最优解，而是通过局部最优的累积来逼近全局最优。这种特性使得贪心算法在解决某些特定类型问题时非常高效。
贪心算法的核心特征包括：
- 无后效性：当前决策不会影响后续决策的可行性
- 最优子结构：问题的最优解包含子问题的最优解
- 贪心选择性质：局部最优选择能导致全局最优解
在实际应用中，贪心算法常用于解决最优化问题，如任务调度、图的最短路径、哈夫曼编码等。它的时间复杂度通常较低，但需要特别注意其适用性——并非所有问题都适合用贪心策略解决。
2. 分发饼干问题解析
2.1 问题描述与解法思路
LeetCode 455题"分发饼干"描述如下：假设你是一位家长，要给孩子们分发饼干。每个孩子i有一个胃口值g[i]，每块饼干j有一个尺寸s[j]。只有当饼干尺寸大于等于孩子胃口时，孩子才能得到满足。目标是尽可能满足更多的孩子。
贪心策略分析：
- 将孩子胃口和饼干尺寸分别排序
- 使用双指针法，从最大的饼干和最大的胃口开始匹配
- 如果当前饼干能满足当前孩子，则计数+1，移动两个指针
- 否则只移动孩子指针，尝试用这块饼干满足胃口更小的孩子
这种策略之所以有效，是因为：
- 排序后可以确保我们总是尝试用最小的合适饼干满足孩子
- 从大到小匹配可以避免"大饼干浪费在小胃口"的情况
- 时间复杂度主要来自排序，为O(nlogn)
2.2 代码实现与优化
原始代码已经给出了一个较好的实现，但我们可以进一步优化：
cpp复制int findContentChildren(vector<int>& g, vector<int>& s) {
sort(g.begin(), g.end());
sort(s.begin(), s.end());
int child = 0, cookie = 0;
while(child < g.size() && cookie < s.size()) {
if(g[child] <= s[cookie]) {
child++;
}
cookie++;
}
return child;
}
优化点：
- 使用从小到大的顺序匹配，代码更直观
- 省去了不必要的变量和操作
- 循环条件更清晰易懂
注意：在实际编码面试中，即使题目允许，也建议不要直接修改输入参数。可以先创建副本再排序，以显示良好的编程习惯。
3. 摆动序列问题深度剖析
3.1 问题理解与贪心适用性
LeetCode 376题"摆动序列"要求找出最长摆动子序列的长度。摆动序列定义为相邻元素的差正负交替出现。如[1,7,4,9,2,5]的差序列为(6,-3,5,-7,3)，是一个摆动序列。
原始评论提到"感觉不太适合用贪心做"，这其实是个误解。贪心算法非常适合这个问题，因为：
- 我们只需要统计极值点的数量
- 不需要考虑非极值点对最终结果的影响
- 可以通过一次遍历完成统计，时间复杂度O(n)
3.2 贪心策略的具体实现
关键思路是统计序列中"峰"和"谷"的数量。具体实现时：
- 使用prediff记录前一对元素的差
- 使用curdiff记录当前对元素的差
- 当prediff和curdiff符号相反时，说明出现了极值点
- 序列长度至少为1（平坡情况需要特殊处理）
改进后的代码实现：
cpp复制int wiggleMaxLength(vector<int>& nums) {
if(nums.size() < 2) return nums.size();
int prevDiff = nums[1] - nums[0];
int count = prevDiff != 0 ? 2 : 1;
for(int i = 2; i < nums.size(); i++) {
int currDiff = nums[i] - nums[i-1];
if((currDiff > 0 && prevDiff <= 0) || (currDiff < 0 && prevDiff >= 0)) {
count++;
prevDiff = currDiff;
}
}
return count;
}
3.3 边界情况处理
需要特别注意以下边界情况：
- 空数组：返回0
- 单元素数组：返回1
- 所有元素相同：返回1
- 前几个元素相同：需要正确处理初始prediff
4. 最大子数组和问题详解
4.1 问题描述与贪心视角
LeetCode 53题"最大子数组和"要求找出连续子数组的最大和。虽然这个问题可以用动态规划解决，但贪心算法提供了一个更高效的解决方案。
贪心策略的核心思想：
- 维护一个当前和sum
- 当sum变为负数时立即重置为0
- 始终保持记录最大和ans
这种策略有效的原因是：
- 负数的sum只会拖累后续子数组的和
- 及时舍弃负和前缀可以保证后续子数组不受影响
- 只需一次遍历，时间复杂度O(n)
4.2 代码实现与变种
原始代码已经很好地实现了这个策略。我们可以考虑一些变种问题：
- 需要返回最大子数组的起始和结束索引
- 数组是环形的情况
- 允许跳过k个元素的情况
基础实现的改进版本：
cpp复制int maxSubArray(vector<int>& nums) {
int maxSum = INT_MIN;
int currentSum = 0;
for(int num : nums) {
currentSum = max(num, currentSum + num);
maxSum = max(maxSum, currentSum);
}
return maxSum;
}
4.3 实际应用场景
最大子数组和问题在实际中有广泛应用：
- 股票买卖的最佳时机
- 信号处理中的最大连续信号
- 图像处理中的最大亮度区域
- 金融分析中的最大收益区间
5. 贪心算法的适用场景判断
5.1 何时使用贪心算法
贪心算法并非万能，需要满足以下条件：
- 贪心选择性质：局部最优能导致全局最优
- 最优子结构：问题可以分解为子问题
- 无后效性：当前决策不影响后续决策
典型适用场景包括：
- 区间调度问题
- 霍夫曼编码
- 最小生成树
- 最短路径问题
- 硬币找零问题（特定面额）
5.2 贪心与动态规划的对比
贪心算法和动态规划的主要区别：
| 特性 | 贪心算法 | 动态规划 |
|---|---|---|
| 决策依据 | 局部最优 | 全局最优 |
| 复杂度 | 通常较低 | 通常较高 |
| 解空间 | 不回溯 | 可能回溯 |
| 存储需求 | 通常较小 | 通常较大 |
| 适用性 | 较窄 | 较广 |
5.3 常见误区与避免方法
使用贪心算法时容易犯的错误：
- 错误假设问题具有贪心性质
- 忽略边界条件和特殊情况
- 未能证明贪心策略的正确性
- 过度优化导致代码可读性下降
避免方法：
- 先用小例子验证策略
- 考虑极端测试用例
- 尝试用反证法验证
- 保持代码简洁清晰
6. 贪心算法实战技巧
6.1 编码实现要点
在实际编码中，实现贪心算法时应注意：
- 预处理阶段：通常需要排序或预处理数据
- 循环不变式：明确循环中保持的性质
- 终止条件：确保算法能在正确时刻停止
- 变量命名：使用有意义的变量名增强可读性
6.2 调试与验证方法
调试贪心算法时的技巧：
- 打印关键变量的中间值
- 使用可视化工具观察算法执行过程
- 构造小规模测试用例手动验证
- 对比暴力解法的结果
6.3 性能优化建议
虽然贪心算法通常已经较高效，但仍可优化：
- 减少不必要的变量和操作
- 利用语言特性（如C++的emplace_back）
- 提前终止不必要的循环
- 选择更高效的排序算法
7. 扩展学习与资源推荐
7.1 经典贪心算法问题
建议练习的经典贪心问题：
- 跳跃游戏（Jump Game）系列
- 加油站问题（Gas Station）
- 任务调度器（Task Scheduler）
- 无重叠区间（Non-overlapping Intervals）
- 根据身高重建队列（Queue Reconstruction by Height）
7.2 学习资源推荐
优质学习资源：
- 《算法导论》贪心算法章节
- LeetCode贪心算法专题
- GeeksforGeeks贪心算法教程
- 算法可视化网站VisuAlgo
7.3 面试准备建议
针对算法面试的准备建议：
- 掌握10-15个经典贪心问题的解法
- 理解每个问题的贪心策略证明
- 练习白板编码和口头解释
- 准备时间复杂度和空间复杂度分析
贪心算法虽然概念上简单，但要真正掌握需要大量的练习和思考。通过解决各种变种问题，深入理解其适用条件和局限性，才能在实际问题中灵活运用。