贪心算法实战：分发饼干、摆动序列与最大子序和解析

莫姐

1. 算法训练营实战解析

作为一名经历过多次算法面试的老兵，我深知贪心算法在实际面试中的高频出现率。今天要分享的三个题目——分发饼干、摆动序列和最大子序和，正是贪心算法的经典应用场景。这三个题目看似简单，却涵盖了贪心算法的核心思想：局部最优推导全局最优。让我们从实际解题的角度，深入剖析这些题目背后的算法思维。

2. 分发饼干问题解析

2.1 问题理解与建模

分发饼干（LeetCode 455）的问题描述很简单：有一群孩子和一堆饼干，每个孩子有一个满足度，每块饼干有一个大小。只有当饼干的大小≥孩子的满足度时，孩子才能得到满足。我们的目标是尽可能满足更多的孩子。

这个问题可以抽象为一个匹配问题：将饼干分配给合适的儿童。贪心算法的思路在这里非常适用——我们总是尝试用最小的饼干满足最容易满足的孩子，这样就能为后续分配保留更大的饼干。

2.2 贪心策略实现

具体实现步骤如下：

对孩子的满足度数组g和饼干大小数组s进行升序排序
使用双指针法，一个指针指向孩子，一个指向饼干
如果当前饼干能满足当前孩子，则两个指针都前进（满足了一个孩子）
否则只移动饼干指针（尝试更大的饼干）

python复制def findContentChildren(g, s):
    g.sort()
    s.sort()
    child = cookie = 0
    while child < len(g) and cookie < len(s):
        if s[cookie] >= g[child]:
            child += 1
        cookie += 1
    return child

关键点：必须先排序，这是贪心策略成立的前提。时间复杂度O(nlogn)来自排序，空间复杂度O(1)。

2.3 实际应用中的变种

在实际面试中，这个问题可能会有多种变体：

饼干只能分配给相邻的孩子
每个孩子可能需要多块饼干才能满足
考虑饼干分配的成本最小化

理解基础问题的解法后，这些变种都能通过调整贪心策略来解决。

3. 摆动序列问题剖析

3.1 问题定义与难点

摆动序列（LeetCode 376）要求找出序列中最长的摆动子序列的长度。摆动序列的定义是相邻元素的差严格在正负之间交替。

例如，[1,7,4,9,2,5]是一个摆动序列，因为差值(6,-3,5,-7,3)正负交替。这个问题的难点在于如何高效地判断摆动点，特别是处理连续递增或递减的情况。

3.2 贪心解法思路

贪心算法的思路是：我们只需要统计序列中实际出现的"峰"和"谷"的数量，忽略中间的过渡元素。具体实现时，我们关注相邻元素差的变化方向。

python复制def wiggleMaxLength(nums):
    if len(nums) < 2:
        return len(nums)
    
    prev_diff = nums[1] - nums[0]
    count = 2 if prev_diff != 0 else 1
    
    for i in range(2, len(nums)):
        diff = nums[i] - nums[i-1]
        if (diff > 0 and prev_diff <= 0) or (diff < 0 and prev_diff >= 0):
            count += 1
            prev_diff = diff
    return count

3.3 边界情况处理

在实际编码中，有几个边界情况需要特别注意：

空数组或单元素数组直接返回长度
前两个元素相等的情况需要特殊处理
连续的相等元素应该被跳过

经验分享：这个问题教会我们，贪心算法有时只需要关注关键转折点，而不必处理所有中间状态。这种思维方式在解决其他序列问题时也非常有用。

4. 最大子序和问题深度解析

4.1 问题理解与暴力解法

最大子序和（LeetCode 53）要求找出数组中连续子数组的最大和。暴力解法是计算所有可能的子数组和，时间复杂度O(n²)，显然不适用于大规模数据。

贪心算法的思路是：维护一个当前和，如果当前和变为负数，就重置为0（因为负数会减小后续和）。这种策略有效是因为最大和子数组不可能以一个负数和开头。

4.2 Kadane算法实现

python复制def maxSubArray(nums):
    max_sum = current_sum = nums[0]
    for num in nums[1:]:
        current_sum = max(num, current_sum + num)
        max_sum = max(max_sum, current_sum)
    return max_sum