1. 跳跃游戏问题概述
力扣（LeetCode）上的Hot100系列题目是算法面试中最常出现的经典问题集合，其中第64题"跳跃游戏"是一个考察贪心算法的典型题目。这个问题要求我们判断是否能够从数组的起始位置到达最后一个位置，数组中的每个元素代表在该位置可以跳跃的最大长度。
我第一次遇到这个问题是在准备技术面试时，当时被它的简洁描述和巧妙的解法所吸引。看似简单的问题背后，隐藏着对算法思维的精妙考验。通过这个问题，我们可以深入理解贪心算法的核心思想——如何在每一步做出局部最优选择，从而达到全局最优解。
2. 问题分析与解法思路
2.1 问题描述与示例
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。判断你是否能够到达最后一个位置。
示例1：
输入：nums = [2,3,1,1,4]
输出：true
解释：可以先跳1步从位置0到位置1，然后再跳3步到达最后一个位置。
示例2：
输入：nums = [3,2,1,0,4]
输出：false
解释：无论如何跳，总会到达位置3，而该位置的最大跳跃长度是0，无法继续跳跃。
2.2 暴力解法与优化思路
最直观的解法是使用回溯法，尝试所有可能的跳跃组合。这种方法的时间复杂度是指数级的，对于较大的输入会非常低效。
更优的解法是使用贪心算法。我们可以维护一个变量max_reach，表示当前能够到达的最远位置。遍历数组时，不断更新max_reach的值。如果在某个位置i，i > max_reach，说明无法到达当前位置，自然也无法到达终点。
2.3 贪心算法正确性证明
贪心算法的正确性基于以下观察：对于任意可达的位置i，所有j < i的位置也必然可达。因此，我们只需要跟踪能够到达的最远位置，而不需要关心具体是通过哪条路径到达的。
这种方法的优势在于：
- 时间复杂度为O(n)，只需一次遍历
- 空间复杂度为O(1)，只需常数空间
- 避免了不必要的重复计算
3. 代码实现与详细解析
3.1 Python实现
python复制def canJump(nums):
max_reach = 0
for i in range(len(nums)):
if i > max_reach:
return False
max_reach = max(max_reach, i + nums[i])
if max_reach >= len(nums) - 1:
return True
return True
3.2 代码逐行解析
- 初始化max_reach为0，表示初始时能到达的最远位置是起点
- 遍历数组中的每个元素：
- 如果当前位置i超过了max_reach，说明无法到达i，返回False
- 否则，更新max_reach为当前位置能到达的最远距离（i + nums[i]）和原max_reach中的较大值
- 如果max_reach已经能够覆盖最后一个位置，提前返回True
- 如果遍历结束都没有返回False，说明可以到达终点，返回True
3.3 边界情况处理
- 空数组：题目保证为非空数组
- 单元素数组：直接返回True
- 包含0的数组：需要特别小心，如示例2的情况
- 最大跳跃长度超过数组长度：不影响算法正确性
注意：在实现时，循环条件可以优化为
for i in range(len(nums)-1)，因为如果能到达倒数第二个位置且其值不为0，就一定能到达终点。
4. 算法优化与变种问题
4.1 优化遍历范围
我们可以进一步优化算法，提前终止不必要的遍历：
python复制def canJump(nums):
max_reach = 0
n = len(nums)
for i in range(n):
if max_reach >= n - 1:
return True
if i > max_reach:
return False
max_reach = max(max_reach, i + nums[i])
return True
4.2 跳跃游戏II：最少跳跃次数
这是一个常见的变种问题，要求计算到达终点的最少跳跃次数。解法同样可以使用贪心算法：
python复制def jump(nums):
jumps = 0
current_end = 0
max_reach = 0
for i in range(len(nums)-1):
max_reach = max(max_reach, i + nums[i])
if i == current_end:
jumps += 1
current_end = max_reach
return jumps
4.3 其他变种问题
- 跳跃游戏III：给定起始位置，判断是否能到达值为0的位置
- 跳跃游戏IV：带障碍物的跳跃游戏
- 跳跃游戏V：在特定条件下可以跳跃
5. 复杂度分析与实际应用
5.1 时间复杂度分析
- 基本跳跃游戏：O(n)，只需一次遍历
- 最少跳跃次数：同样O(n)，因为每个元素只被访问一次
5.2 空间复杂度分析
两种解法都只需要常数空间(O(1))来存储max_reach等变量，与输入规模无关。
5.3 实际应用场景
- 网络路由选择：选择最优路径
- 游戏AI：角色移动决策
- 资源分配问题：最优资源利用
- 机器人路径规划：避开障碍物到达目标
6. 常见错误与调试技巧
6.1 常见错误类型
- 边界条件处理不当：如单元素数组或全0数组
- 更新max_reach的顺序错误：应该先检查i > max_reach再更新
- 循环终止条件设置不当：可能导致提前退出或无限循环
- 索引越界：特别是在处理nums[i]时
6.2 调试技巧
- 打印关键变量：在循环中打印i和max_reach的值
- 使用小规模测试用例：如[0], [1], [1,0,1]
- 可视化跳跃过程：绘制数组和跳跃路径
- 比较暴力解和优化解的结果
6.3 测试用例设计
好的测试用例应该包括：
- 常规情况：[2,3,1,1,4]
- 边界情况：[0], [1]
- 无法到达的情况：[3,2,1,0,4]
- 包含多个0的情况：[2,0,0,1,4]
- 最大跳跃长度很大的情况：[10,1,1,1,1]
7. 算法思维拓展
7.1 贪心算法的一般模式
跳跃游戏展示了贪心算法的典型应用场景：
- 问题可以分解为一系列子问题
- 每个子问题都有局部最优解
- 局部最优解能导致全局最优解
7.2 与动态规划的比较
虽然这个问题可以用动态规划解决，但贪心算法更高效：
- 动态规划：O(n²)时间，O(n)空间
- 贪心算法：O(n)时间，O(1)空间
7.3 类似问题推荐
- 加油站问题
- 买卖股票的最佳时机
- 分发糖果
- 任务调度器
在实际面试中，遇到数组+最值问题时，可以优先考虑贪心算法的可能性。跳跃游戏这类问题很好地考察了候选人对问题本质的理解和算法优化能力。