贪心算法和动态规划详解

本篇文章比较总结了贪心算法和动态规划的内容。
我的个人博客：orbisz-blog

贪心算法

贪心法是一种求解最优化问题的算法设计策略，有时也可以用来单单找可行解。贪心法是通过分布决策的方法来求解问题的，在每一步选择中都采取当前状态下最优（局部最优）的选择，从而希望导致全局结果也最优的算法策略。通常只考虑局部最优性

问题的全局最优解可以通过一系列局部最优选择得到。即每一步的选择都是当前状态下的最优选择，且不会影响后续步骤的选择。 问题的最优解包含其子问题的最优解。通过解决子问题的最优解，可以递推得到原问题的最优解。

基本步骤

• 贪心选择性质：局部最优能导出全局最优。
• 最优子结构：问题的整体最优解包含子问题的最优解

适用于可以用“当前最优”构建“全局最优”的问题

算法流程

1.定义贪心选择规则

• 明确每一步中如何选择当前状态下的“最优决策”（如选最大值、最早结束、最小代价等）

2.判断贪心选择性质和最优子结构

• 验证局部最优是否能导出全局最优（即贪心是否适用）
• 确认当前选择不会影响后续决策空间（无后效性）

3.初始化问题状态

• 初始化记录变量（如最远可达位置、当前覆盖范围、当前时间等）

4.按照策略遍历或排序

• 若需要排序，则按贪心标准排序（如按结束时间、单位价值等）
• 按顺序遍历每个元素，依次做出贪心决策并更新状态

5.返回目标结果

• 根据问题目标返回布尔值、计数值、最优路径等结果

例题

买卖股票的最佳时机

跳跃游戏

划分字母区间

动态规划

将复杂问题分解成子问题，保存子问题的解来避免重复计算，从而获得整体最优解的算法思想。

基本思想

• 最优子结构：整体问题的最优解可以通过子问题的最优解组合得到。
• 重叠子问题：子问题之间有重复，可以缓存。
• 无后效性：状态只与当前有关，历史状态无影响。

适用问题需要具有以下三个特性：

• 重叠子问题（重复计算）
• 最优子结构（子问题可以递推）
• 状态可表示（一般数组或二维数组表示）

算法流程

1.定义状态

• 明确“子问题”是什么，即：
  • dp[i] 是什么含义？
• 若问题有多个维度（如重量和物品编号），可以用二维或多维 dp 数组。

2.确定状态转移方程（核心）

• 分析第 i 个位置/元素是如何由前面的状态推导出来的， 找出转移公式。
  3.初始化边界条件
• 设置初始状态（如 dp[0]、dp[1]）
• 边界状态代表最小输入规模的已知结果

3.确定遍历顺序

• 一维时：正序或倒序（如 0/1 背包需要倒序避免重复选）
• 多维时：决定嵌套循环的顺序
• 遍历顺序必须匹配状态转移逻辑，保证前置状态先于当前状态计算完成

4.返回结果

• 根据题目要求返回最终状态值

贪心抓眼前，快而不一定最优；
动态思全局，慢但保最优解；
能贪心就贪，不能贪就动态规划