关键词：
贪心算法是一种很常见的算法思想，而且很好理解，因为它符合人们一般的思维习惯。下面我们由浅入深的来讲讲贪心算法。
找零问题
我们先来看一个比较简单的问题：
假设你是一个商店老板，你需要给顾客找零n元钱，你手上有的钱的面值为：100元，50元，20元，5元，1元。请问如何找零使得所需要的钱币数量最少？例子：你需要找零126元，则所需钱币数量最少的方案为100元1找，20元1张，5元1张，1元1张。
这个问题在生活中很常见，买东西的时候经常会遇到，那我们一般是怎么思考的呢？假设我们需要找零126元，我们先看看能找的最大面值是多少，我们发现126比100大，那肯定可以找一张100块，然后剩下26元，再看26能匹配的最大面值是多少，发现是20，那找一张20的，还剩6块，同样的思路，找一张5块的和1块的。这其实就是贪心算法的思想，每次都很贪心的去找最大的匹配那个值，然后再找次大的。这个算法代码也很好写：
const allMoney = [100, 50, 20, 5, 1]; // 表示我们手上有的面值
function changeMoney(n, allMoney)
const length = allMoney.length;
const result = []; // 存储结果的数组，每项表示对应面值的张数
for(let i = 0; i < length; i++)
if(n >= allMoney[i])
// 如果需要找的钱比面值大，那就可以找，除一下看看能找几张
result[i] = parseInt(n / allMoney[i]);
n = n - result[i] * allMoney[i]; // 更新剩下需要找的钱
else
// 否则不能找
result[i] = 0;
return result;
const result = changeMoney(126, allMoney);
console.log(result); // [1, 0, 1, 1, 1]贪心算法
上面的找零问题就是贪心算法，每次都去贪最大面值的，发现贪不了了，再去贪次大的。从概念上讲，贪心算法是：
从上面的定义可以看出，并不是所有问题都可以用贪心算法来求解的，因为它每次拿到的只是局部最优解，局部最优解组合起来并不一定是全局最优解。下面我们来看一个这样的例子：
背包问题
背包问题也是一个很经典的算法问题，题目如下：
有一个小偷，他进到了一个店里要偷东西，店里有很多东西，每个东西的价值是v，每个东西的重量是w。但是小偷只有一个背包，他背包总共能承受的重量是W。请问怎么拿东西能让他拿到的价值最大？
其实背包问题细分下来又可以分成两个问题：0-1背包和分数背包。
0-1背包：指的是对于某个商品来说，你要么不拿，要么全拿走，不能只拿一半或者只拿三分之二。可以将商品理解成金砖，你要么整块拿走，要么不拿，不能拿半块。分数背包：分数背包就是跟0-1背包相反的，你可以只拿一部分，可以拿一半，也可以拿三分之二。可以将商品理解成金砂，可以只拿一部分。
下面来看个例子：
这个问题用我们平时的思维也很好想，要拿到总价值最大，那我们就贪呗，就拿最贵的，即价值除以重量的数最大的。但是每次都拿最贵的，是不是最后总价值最大呢？我们先假设上面的例子是0-1背包，最贵的是v1，然后是v2，v3。我们先拿v1, 背包还剩40，拿到总价值是60，然后拿v2，背包还剩20，拿到总价值是160。然后就拿不下了，因为v3的重量是30，我们背包只剩20了，装不下了。但是这个显然不是全局最优解，因为我们明显可以看出，如果我们拿v2，v3，背包刚好装满，总价值是220，这才是最优解。所以0-1背包问题不能用贪心算法。
但是分数背包可以用贪心，因为我们总是可以拿最贵的。我们先拿了v1, v2，发现v3装不下了，那就不装完了嘛，装三分之二就行了。下面我们用贪心来实现一个分数背包：
const products = [
id:1, v: 60, w: 10,
id:2, v: 100, w: 20,
id:3, v: 120, w: 30
]; // 新建一个数组表示商品列表，每个商品加个id用于标识
function backpack(W, products)
const sortedProducts = products.sort((product1, product2) =>
const price1 = product1.v / product1.w;
const price2 = product2.v / product2.w;
if(price1 > price2)
return -1;
else if(price1 < price2)
return 1;
return 0;
); // 先对商品按照价值从大到小排序
const result = []; // 新建数组接收结果
let allValue = 0; // 拿到的总价值
const length = sortedProducts.length;
for(let i = 0; i < length; i++)
const sortedProduct = sortedProducts[i];
if(W >= sortedProduct.w)
// 整个拿完
result.push(
id: sortedProduct.id,
take: 1, // 拿的数量
);
W = W - sortedProduct.w;
allValue = allValue + sortedProduct.v;
else if(W > 0)
// 只能拿一部分
result.push(
id: sortedProduct.id,
take: W / sortedProduct.w,
);
allValue = allValue + sortedProduct.v * (W / sortedProduct.w);
W = 0; // 装满了
else
// 不能拿了
result.push(
id: sortedProduct.id,
take: 0,
);
return result: result, allValue: allValue;
// 测试一下
const result = backpack(50, products);
console.log(result);运行结果：
0-1背包
前面讲过0-1背包不能用贪心求解，我们这里还是讲讲他怎么来求解吧。要解这个问题需要用到动态规划的思想，关于动态规划的思想，可以看看我这篇文章，如果你只想看看贪心算法，可以跳过这一部分。假设我们背包放了n个商品，W是我们背包的总容量，我们这时拥有的总价值是$D(n, W)$。我们考虑最后一步，
假如我们不放最后一个商品，则总价值为$D(n-1, W)$假设我们放了最后一个商品，则总价值为最后一个商品加上前面已经放了的价值，表示为$v_n + D(n-1, W-w_n)$，这时候需要满足的条件是$ W >= w_n$，即最后一个要放得下。
我们要求的最大解其实就是上述两个方案的最大值，表示如下：
$$ D(n, W) = max(D(n-1, W), v_n + D(n-1, W-w_n)) $$
递归解法
有了递推公式，我们就可以用递归解法了：
const products = [
id:1, v: 60, w: 10,
id:2, v: 100, w: 20,
id:3, v: 120, w: 30
]; // 新建一个数组表示商品列表，每个商品加个id用于标识
function backpack01(n, W, products)
if(n < 0 || W <= 0)
return 0;
const noLast = backpack01(n-1, W, products); // 不放最后一个
let getLast = 0;
if(W >= products[n].w) // 如果最后一个放得下
getLast = products[n].v + backpack01(n-1, W-products[n].w, products);
const result = Math.max(noLast, getLast);
return result;
// 测试一下
const result = backpack01(products.length-1, 50, products);
console.log(result); // 220动态规划
递归的复杂度很高，我们用动态规划重写一下：
const products = [
id:1, v: 60, w: 10,
id:2, v: 100, w: 20,
id:3, v: 120, w: 30
]; // 新建一个数组表示商品列表，每个商品加个id用于标识
function backpack01(W, products)
const d = []; // 初始化一个数组放计算中间值，其实为二维数组，后面填充里面的数组
const length = products.length;
// i表示行，为商品个数，数字为 0 -- (length - 1)
// j表示列，为背包容量，数字为 0 -- W
for(let i = 0; i < length; i++)
d.push([]);
for(let j = 0; j <= W; j++)
if(j === 0)
// 背包容量为0
d[i][j] = 0;
else if(i === 0)
if(j >= products[i].w)
// 可以放下第一个商品
d[i][j] = products[i].v;
else
d[i][j] = 0;
else
const noLast = d[i-1][j];
let getLast = 0;
if(j >= products[i].w)
getLast = products[i].v + d[i-1][j - products[i].w];
if(noLast > getLast)
d[i][j] = noLast;
else
d[i][j] = getLast;
console.log(d);
return d[length-1][W];
// 测试一下
const result = backpack01(50, products);
console.log(result); // 220回溯最优解
为了能够输出最优解，我们需要将每个最后放入的商品记录下来，然后从最后往前回溯，将前面的代码改造如下：
const products = [
id:1, v: 60, w: 10,
id:2, v: 100, w: 20,
id:3, v: 120, w: 30
]; // 新建一个数组表示商品列表，每个商品加个id用于标识
function backpack01(W, products)
const d = []; // 初始化一个数组放计算中间值，其实为二维数组，后面填充里面的数组
const res = []; // 记录每次放入的最后一个商品, 同样为二维数组
const length = products.length;
// i表示行，为商品个数，数字为 0 -- (length - 1)
// j表示列，为背包容量，数字为 0 -- W
for(let i = 0; i < length; i++)
d.push([]);
res.push([]);
for(let j = 0; j <= W; j++)
if(j === 0)
// 背包容量为0
d[i][j] = 0;
res[i][j] = null;
else if(i === 0)
if(j >= products[i].w)
// 可以放下第一个商品
d[i][j] = products[i].v;
res[i][j] = products[i];
else
d[i][j] = 0;
res[i][j] = null;
else
const noLast = d[i-1][j];
let getLast = 0;
if(j >= products[i].w)
getLast = products[i].v + d[i-1][j - products[i].w];
if(noLast > getLast)
d[i][j] = noLast;
else
d[i][j] = getLast;
res[i][j] = products[i]; // 记录最后一个商品
// 回溯res, 得到最优解
let tempW = W;
let tempI = length - 1;
const bestSol = [];
while (tempW > 0 && tempI >= 0)
const last = res[tempI][tempW];
bestSol.push(last);
tempW = tempW - last.w;
tempI = tempI - 1;
console.log(d);
console.log(bestSol);
return
totalValue: d[length-1][W],
solution: bestSol
// 测试一下
const result = backpack01(50, products);
console.log(result); // 220上面代码的输出：
数字拼接问题
再来看一个贪心算法的问题，加深下理解，这个问题如下：
这个问题看起来也不难，我们有时候也会遇到类似的问题，我们可以很直观的想到一个解法：看哪个数字的第一个数字大，把他排前面，比如32和94，把第一位是9的94放前面，得到9432，肯定比32放前面的3294大。这其实就是按照字符串大小来排序嘛，字符大的排前面，但是这种解法正确吗？我们再来看两个数字，假如我们有728和7286，按照字符序，7286排前面，得到7286728，但是这个值没有728放前面的7287286大。说明单纯的字符序是搞不定这个的，对于两个数字a,b，如果他们的长度一样，那按照字符序就没问题，如果他们长度不一样，这个解法就不一定对了，那怎么办呢？其实也简单，我们看看a+b和b+a拼成的数字，哪个大就行了。
假设
a = 728
b = 7286
字符串： a + b = "7287286"
字符串： b + a = "7286728"
比较下这两个字符串, a + b比较大，a放前面就行了, 反之放到后面上述算法就是一个贪心，这里贪的是什么的？贪的是a + b的值，要大的那个。在实现的时候，可以自己写个冒泡，也可以直接用数组的sort方法:
const nums = [32, 94, 128, 1286, 6, 71];
function getBigNum(nums)
nums.sort((a, b) =>
const ab = `$a$b`;
const ba = `$b$a`;
if(ab > ba)
return -1; // ab大，a放前面
else if (ab < ba)
return 1;
return 0;
);
return nums;
const res = getBigNum(nums);
console.log(res); // [94, 71, 6, 32, 1286, 128]活动选择问题
活动选择问题稍微难一点，也可以用贪心，但是需要贪的东西没前面的题目那么直观，我们先来看看题目：
这个问题应该这么思考：为了能尽量多的安排活动，我们在安排一个活动时，应该尽量给后面的活动多留时间，这样后面有机会可以安排更多的活动。换句话说就是，应该把结束时间最早的活动安排在第一个，再剩下的时间里面继续安排结束时间早的活动。这里的贪心其实贪的就是结束时间早的，这个结论其实可以用数学来证明的：
下面来实现下代码：
const activities = [
start: 1, end: 4,
start: 3, end: 5,
start: 0, end: 6,
start: 5, end: 7,
start: 3, end: 9,
start: 5, end: 9,
start: 6, end: 10,
start: 8, end: 11,
start: 8, end: 12,
start: 2, end: 14,
start: 12, end: 16,
];
function chooseActivity(activities)
// 先按照结束时间从小到大排序
activities.sort((act1, act2) =>
if(act1.end < act2.end)
return -1;
else if(act1.end > act2.end)
return 1;
return 0;
);
const res = []; // 接收结果的数组
let lastEnd = 0; // 记录最后一个活动的结束时间
for(let i = 0; i < activities.length; i++)
const act = activities[i];
if(act.start >= lastEnd)
res.push(act);
lastEnd = act.end
return res;
// 测试一下
const result = chooseActivity(activities);
console.log(result);上面代码的运行结果如下：
总结
贪心算法的重点就在一个贪字，要找到贪的对象，然后不断的贪，最后把目标贪完，输出最优解。要注意的是，每次贪的时候其实拿到的都只是局部最优解，局部最优解不一定组成全局最优解，比如0-1背包，对于这种问题是不能用贪心的，要用其他方法求解。
文章的最后，感谢你花费宝贵的时间阅读本文，如果本文给了你一点点帮助或者启发，请不要吝啬你的赞和GitHub小星星，你的支持是作者持续创作的动力。
欢迎关注我的公众号进击的大前端第一时间获取高质量原创~
“前端进阶知识”系列文章源码地址： https://github.com/dennis-jiang/Front-End-Knowledges
入门必看-算法基础知识讲解小白都也能看得懂(代码片段)
💂个人主页:IT学习日记🤟版权:本文由【IT学习日记】原创、在CSDN首发、需要转载请联系博主💬如果文章对你有帮助、欢迎关注、点赞、收藏(一键三连)和订阅专栏哦💅想寻找共同成长的小伙伴，请点击【技... 查看详情
贪心算法讲解及例题
.../a925907195/article/details/41314549 一、概念： 贪心算法是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。 贪心算法没有固... 查看详情
贪心算法(代码片段)
Java实现贪心算法（找零钱问题）1packagecom.java;23importjava.util.Random;4/**5*贪心算法6*贪心算法，又称贪婪算法，是指在对问题求解时，总是做出在当前看来是最好的选择。7*也就是说，不从整体最优解出发来考虑，它所做出的仅是在... 查看详情
背包问题（贪心算法）(代码片段)
...这是背包问题，而不是0-1背包问题，背包问题可以用贪心算法进行求解，但0-1无法用贪心算法求解，需要用动态规划算法求解；首先对贪心算法做一下总结，以及它与动态规划算法的区别：贪心算法两个最重要的性质：（1）贪... 查看详情
贪心算法-第一节：贪心算法概述(代码片段)
文章目录一：贪心算法（1）概述（2）特点（3）框架二：典型贪心算法问题（1）无重叠区间①：题目描述②：解题思路③：完整代码（2）活动安排问题①：题目描述... 查看详情
matlab-贪心/贪婪算法(代码片段)
目录一、贪心算法的基本定义和特点二、贪心算法的基本步骤三、实例分析1.问题2.例子与分析3.代码编写（MATLAB版贪心算法）一、贪心算法的基本定义和特点贪心算法的英文是greedyalgorithm，又称贪婪算法，是一种... 查看详情
算法_贪心算法篇(代码片段)
LeetCode_跳跃游戏本文通过跳跃游戏的几个算法例题总结一下相关贪心算法，开始学习的阶段，借鉴好的算法思路并学习，也巩固一下最近学习的算法。（后续遇到贪心算法会续更~~）文章目录LeetCode_跳跃游戏前... 查看详情
算法_贪心算法篇(代码片段)
LeetCode_跳跃游戏本文通过跳跃游戏的几个算法例题总结一下相关贪心算法，开始学习的阶段，借鉴好的算法思路并学习，也巩固一下最近学习的算法。（后续遇到贪心算法会续更~~）文章目录LeetCode_跳跃游戏前... 查看详情
核心算法6贪心算法(代码片段)
贪心算法就是遵循某种既定原则，不断地选取当前条件下最优的选择来构造每一个子步骤的解决方案，直到获得问题最终的求解。在对问题求解时，总是做出在当前看最好的选择。也就是说，不从整体最优上考虑，所做的仅是在... 查看详情
贪心算法(代码片段)
贪心策略 总是做出当前做好的选择。 贪心策略：将问题分成多个子问题；子问题求局部最优解；局部最优解组合成原问题的解。 分类：简单贪心 区间贪心咖啡豆问题 题目描述FatMousepreparedMpoundsofcatfood,readytotrade... 查看详情
bellmanford和spfa算法全解析，从动态规划到队列贪心(代码片段)
文章目录*关于Bellmanford和SPFA算法的详解适用性分析(先看视频)以题代讲蓝桥杯--最短路Bellmanford的动态规划解决(超时,过三个)Bellmanford按边遍历解决(速度竟比SPFA快，我惊了)最终优化--SPFA算法*关于Bellmanford和SPFA算法的详解我是... 查看详情
贪心算法回顾(代码片段)
各位好，贪心算法可以说是处处学到，被面试频频问道，接下来回顾以下，并上代码： 1packagecom.clb.ai.algorithm;23importjava.util.ArrayList;4importjava.util.List;5importjava.util.Map;6importjava.util.TreeMap;78/**9*贪心算法（又称贪婪算法）是指，在... 查看详情
哈夫曼编码--贪心策略(代码片段)
...没有看懂因为比较菜（虽然现在也是很菜的），在《趣学算法》一书中这个问题讲解十分到位，我这篇博客真的是难以望其项背，只能对其进行一点借鉴和摘抄吧哈夫曼编码是一棵树，权值越大的节点越靠近树根，越小的节点就... 查看详情
背包问题（贪心算法）(代码片段)
贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。 贪心算法还是比较好理解的一个算法，以前我也... 查看详情
算法-贪心算法详解(代码片段)
...题转换leetcode55跳跃游戏解答题目概述顾名思义，贪心算法或贪心思想采用贪心的策略，保证每次操作都是局部最优的，从而使最后得到的结果是全局最优的。引入钞票支付问题有1元、5元、10元、20元、100元的钞票无... 查看详情
算法笔记贪心算法(代码片段)
前言：对于贪心算法的学习主要以增加阅历和经验为主，也就是多做多积累经验，以下通过几个题目来介绍贪心算法的乐趣！文章目录1.贪心算法基本介绍2.题目题一：给定一个由字符串组成的数组strs，必... 查看详情
图--05---贪心算法prim算法kruskal算法(代码片段)
...生成，如何生成可参考右边的帮助文档文章目录贪心算法贪心算法----定义：使用切分定理找到最小生成树的一条边，不断的重复直到找到最小生成树的所有边贪心算法----原理:最小生成树的算法Prim算法切分规则：... 查看详情
python_分治算法贪心算法动态规划算法(代码片段)
文章目录一、分治算法思想1、基本算法思想2、寻找假币示例二、贪心算法1、思想2、最大不相容活动安排示例三、动态规划1、思想2、最大和路径3、背包问题4、动态规划和贪心算法的区别一、分治算法思想分治算法是一种化繁... 查看详情