1. 问题背景与需求拆解
视频拼接问题（Video Stitching）是LeetCode上编号1024的一道经典动态规划题目，属于区间覆盖类问题的变种。题目要求我们从一组视频片段clips中，选出最少数量的片段，使得这些片段能够完整覆盖从0到time的整个时间区间。每个片段用[start_i, end_i]表示，代表该片段覆盖的时间范围。
这个问题在实际开发中有很强的应用场景。比如视频编辑软件中，我们需要从多个拍摄片段中选取最少的片段来合成完整视频；监控系统中需要从不同摄像头的录像时间段中选择最少的片段来还原完整事件过程。
2. 问题形式化描述
给定：
- 一个视频片段数组clips，其中clips[i] = [start_i, end_i]
- 一个整数time
要求：
- 选择最少数量的片段，使得这些片段的并集能够完全覆盖区间[0, time]
- 如果无法实现完整覆盖，则返回-1
示例：
输入：clips = [[0,2],[4,6],[8,10],[1,9],[1,5],[5,9]], time = 10
输出：3
解释：选择[0,2], [1,9], [8,10]这三个片段即可覆盖[0,10]
3. 解题思路分析
3.1 贪心算法思路
这个问题可以转化为区间覆盖问题，适合使用贪心算法解决。基本思路是：
- 将所有片段按起始时间start_i排序
- 维护当前覆盖的右边界current_end和下一步能扩展到的最大右边界max_end
- 遍历排序后的片段，在current_end覆盖范围内寻找能最大扩展覆盖范围的片段
贪心选择性质体现在：每次都在当前可选片段中选择能最大扩展覆盖范围的片段，这样局部最优的选择最终会导致全局最优解。
3.2 动态规划思路
另一种解法是使用动态规划：
- 定义dp[i]表示覆盖[0,i]区间所需的最少片段数
- 初始化dp[0] = 0，其他dp[i] = ∞
- 对于每个区间[start_i, end_i]，更新dp[end_i] = min(dp[end_i], dp[start_i] + 1)
- 最终检查dp[time]是否被更新
动态规划的思路更加直观，但时间复杂度通常比贪心算法略高。
4. 贪心算法详细实现
4.1 算法步骤详解
- 预处理：将所有片段按起始时间start_i升序排序
- 初始化：
- current_end = 0（当前已覆盖区间的右边界）
- max_end = 0（下一步能扩展到的最大右边界）
- count = 0（已选择的片段数）
- i = 0（当前处理的片段索引）
- 主循环：
- 在current_end < time时循环：
- 遍历所有start_i <= current_end的片段，找到最大的end_i作为max_end
- 如果没有这样的片段（即max_end <= current_end），说明无法继续扩展，返回-1
- 否则，count++，current_end = max_end
- 在current_end < time时循环：
- 返回：如果current_end >= time则返回count，否则返回-1
4.2 代码实现（Python）
python复制def videoStitching(clips, time):
clips.sort()
n = len(clips)
current_end = max_end = count = i = 0
while current_end < time:
while i < n and clips[i][0] <= current_end:
max_end = max(max_end, clips[i][1])
i += 1
if max_end <= current_end:
return -1
current_end = max_end
count += 1
return count if current_end >= time else -1
4.3 复杂度分析
- 时间复杂度：O(nlogn)，主要来自排序操作
- 空间复杂度：O(1)，只使用了常数个额外变量
5. 动态规划解法详解
5.1 算法步骤
- 初始化dp数组，dp[0] = 0，其余为∞
- 对于每个时间点i从1到time：
- 遍历所有片段：
- 如果片段覆盖i（即start_j <= i <= end_j）
- 则dp[i] = min(dp[i], dp[start_j] + 1)
- 遍历所有片段：
- 检查dp[time]是否仍为∞，是则返回-1，否则返回dp[time]
5.2 代码实现
python复制def videoStitching(clips, time):
dp = [float('inf')] * (time + 1)
dp[0] = 0
for i in range(1, time + 1):
for start, end in clips:
if start <= i <= end:
dp[i] = min(dp[i], dp[start] + 1)
return dp[time] if dp[time] != float('inf') else -1
5.3 复杂度分析
- 时间复杂度：O(n×time)，n是片段数量
- 空间复杂度：O(time)，用于存储dp数组
6. 算法选择与优化
6.1 贪心vs动态规划
贪心算法通常在时间复杂度上更优（O(nlogn) vs O(n×time)），但需要先排序。动态规划思路更直观，但当time很大时会比较慢。
6.2 贪心算法的优化
可以预先处理clips数组，创建一个数组max_end，其中max_end[i]表示从时间点i开始能到达的最远时间。这样可以将时间复杂度优化到O(n + time)。
优化后的贪心算法：
python复制def videoStitching(clips, time):
max_end = [0] * (time + 1)
for start, end in clips:
if start <= time:
max_end[start] = max(max_end[start], min(end, time))
current_end = next_end = count = 0
for i in range(time + 1):
if i > next_end:
return -1
if i > current_end:
count += 1
current_end = next_end
next_end = max(next_end, max_end[i])
return count if current_end >= time else -1
7. 边界条件与测试用例
7.1 常见边界情况
- time=0：应该返回0（不需要任何片段）
- 没有任何片段能覆盖0：应该返回-1
- 片段之间有间隙无法覆盖完整区间
- 多个片段完全重叠的情况
- 单个片段就能覆盖整个区间的情况
7.2 测试用例示例
python复制# 正常情况
assert videoStitching([[0,2],[4,6],[8,10],[1,9],[1,5],[5,9]], 10) == 3
# 无法覆盖
assert videoStitching([[0,1],[1,2]], 5) == -1
# 单个片段覆盖
assert videoStitching([[0,10]], 10) == 1
# time=0
assert videoStitching([], 0) == 0
# 片段重叠
assert videoStitching([[0,4],[2,6],[4,8],[6,10]], 10) == 3
8. 实际应用与扩展
8.1 实际应用场景
- 视频编辑软件中的自动片段选择
- 监控系统中的多摄像头录像拼接
- 直播流的多源切换与拼接
- 分布式系统中的日志合并
8.2 问题变种
- 加权视频拼接：每个片段有代价，求最小总代价
- 最大覆盖问题：给定片段数量k，求能覆盖的最大时间范围
- 多维度覆盖：不仅考虑时间，还考虑空间位置等其他维度
8.3 性能优化实践
在实际工程实现中，当time很大时（如长达数小时的监控视频），可以考虑：
- 使用线段树等数据结构加速区间查询
- 并行处理片段数据
- 增量式处理，只处理新增的片段
9. 常见错误与调试技巧
9.1 常见实现错误
- 忘记排序片段（贪心算法）
- 没有正确处理time=0的情况
- 在贪心算法中，没有及时更新max_end
- 在动态规划中，初始化dp数组大小不正确
9.2 调试建议
- 打印中间变量（current_end, max_end等）
- 使用小规模测试用例手动模拟算法过程
- 检查边界条件处理
- 比较贪心和动态规划两种解法的结果是否一致
10. 算法可视化理解
为了更好理解贪心算法的工作过程，可以这样可视化：
- 将时间轴画出来，标记0到time
- 将所有片段按start排序后画出
- 模拟算法过程：
- 从current_end=0开始
- 在current_end左侧找能扩展最远的片段
- 更新current_end，计数+1
- 重复直到覆盖整个区间或无法继续
这种可视化方法能清晰展示贪心选择的合理性。