LeetCode 1488题解：贪心算法避免洪水泛滥

1. 问题背景与题目理解

今天我们来拆解LeetCode第1488题"避免洪水泛滥"（Avoid Flood in The City）。这是一道来自第193场周赛的题目，难度标注为中等，但实际解决过程中有不少值得深入探讨的细节。题目描述的是在一个雨季连绵的国家，我们需要设计一套湖泊管理策略，防止洪水泛滥。

具体场景是：有一系列湖泊，第i天如果下雨就会填满某个特定湖泊（rains[i]表示该湖泊编号）。如果某湖泊已经装满水，再次下雨就会引发洪水。我们的目标是在不下雨的日子（rains[i]=0）选择抽干一个湖泊，避免后续发生洪水。

关键提示：抽干操作只能在下雨量为0的日子进行，且每次只能抽干一个湖泊

2. 核心算法思路分析

2.1 问题转化与抽象

这道题本质上是一个调度问题，我们需要合理安排抽干操作的顺序。可以将问题分解为以下几个关键点：

1. 记录每个湖泊最近一次被填满的时间
2. 当某个湖泊即将被再次填满时，检查是否有可用的抽干机会
3. 抽干操作必须在两次下雨之间完成

2.2 贪心算法的适用性

采用贪心算法是最直观的解决方案。具体思路是：

• 遍历每一天的降雨情况
• 维护一个哈希表记录已满的湖泊
• 当下雨填满已满湖泊时，从之前的晴天中找一个合适的日子抽干它

python复制def avoidFlood(rains):
    from collections import defaultdict
    import bisect
    
    lake_days = defaultdict(list)
    for day, lake in enumerate(rains):
        if lake > 0:
            lake_days[lake].append(day)
    
    full = {}
    dry_days = []
    res = [1] * len(rains)
    
    for day, lake in enumerate(rains):
        if lake == 0:
            dry_days.append(day)
            continue
            
        if lake in full:
            prev_day = full[lake]
            idx = bisect.bisect_right(dry_days, prev_day)
            if idx == len(dry_days):
                return []
            dry_day = dry_days.pop(idx)
            res[dry_day] = lake
        res[day] = -1
        full[lake] = day
    
    return res

3. 实现细节与优化

3.1 数据结构的选择

为了实现高效查询，我们需要合理选择数据结构：

• 使用哈希表记录湖泊最近一次被填满的时间（O(1)查询）
• 使用有序数组存储可用的晴天（便于二分查找）
• 结果数组初始化为1（题目要求无操作时默认抽干1号湖）

3.2 边界条件处理

实际编码时需要特别注意以下边界情况：

1. 连续多天下雨同一个湖泊
2. 晴天出现在需要抽干操作之前
3. 所有湖泊都未被填满的情况
4. 没有足够晴天来处理所有潜在洪水

4. 复杂度分析与替代方案

4.1 时间复杂度

该算法的时间复杂度为O(nlogn)，主要来自：

• 遍历降雨数组O(n)
• 二分查找操作O(logn)
• 数组插入/删除操作O(n)

4.2 空间复杂度

空间复杂度为O(n)，用于存储：

• 湖泊到下雨日的映射
• 晴天日的列表
• 结果数组

4.3 替代方案对比

除了贪心算法，还可以考虑：

1. 优先队列：将需要抽干的湖泊按紧急程度排序
2. 双指针：在某些特定情况下可能更高效
3. 动态规划：虽然可行但实现复杂度较高

5. 实战技巧与常见错误

5.1 调试技巧

在解决这类问题时，建议：

• 先手动模拟小规模测试用例
• 打印关键变量的中间状态
• 特别注意数组索引的边界

5.2 常见错误模式

根据社区提交记录，常见错误包括：

1. 忘记处理连续的晴天
2. 错误地假设抽干顺序
3. 没有正确处理无解情况
4. 默认返回值设置不当

5.3 测试用例设计

建议验证的测试用例：

python复制测试1: [1,2,3,4] → [-1,-1,-1,-1]
测试2: [1,2,0,0,2,1] → [-1,-1,2,1,-1,-1]
测试3: [1,2,0,1,2] → []
测试4: [1,0,2,0,2,1] → [-1,1,-1,2,-1,-1]

6. 扩展思考与实际应用

虽然这是一道算法题，但其核心思想可以应用于：

1. 资源调度系统
2. 缓存淘汰策略
3. 任务优先级管理
4. 实时系统的事件处理

在实际工程中，类似的场景可能还需要考虑：

• 操作的并行性
• 资源使用的优先级
• 操作的成本差异
• 系统的容错机制

这道题很好地展示了如何将现实问题抽象为算法问题，并通过合理的数据结构和算法设计找到高效解决方案。理解这类问题的模式，对提升解决复杂调度问题的能力大有裨益。