贪心算法

给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。 设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易（多次买卖一支股票）。 注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。 示例 1: 输入: [7,1,5,3,6,4] 输出: 7 解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。 随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。 示例 2: 输入: [1,2,3,4,5] 输出: 4 解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。 注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。 因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。 示例 3: 输入: [7,6,4,3,1] 输出: 0 解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。 来源：力扣（LeetCode） 链接：https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock

动态规划和贪心算法的区别 动态规划和贪心算法都是一种递推算法 均有局部最优解来推导全局最优解 不同点： 贪心算法： 1.贪心算法中，作出的每步贪心决策都无法改变，因为贪心策略是由上一步的最优解推导下一步的最优解，而上一部之前的最优解则不作保留。 2.由（1）中的介绍，可以知道贪心法正确的条件是：每一步的最优解一定包含上一步的最优解。 动态规划算法： 1.全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解 2.动态规划的关键是状态转移方程，即如何由以求出的局部最优解来推导全局最优解 3.边界条件：即最简单的，可以直接得出的局部最优解 ============================================================================== 贪心算法与动态规划 贪心法的基本思路： 从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到某算法中的某一步不能再继续前进时，算法停止。 该算法存在问题： 1. 不能保证求得的最后解是最佳的； 2. 不能用来求最大或最小解问题； 3. 只能求满足某些约束条件的可行解的范围。实现该算法的过程： 从问题的某一初始解出发； while 能朝给定总目标前进一步 do 求出可行解的一个解元素； 由所有解元素组合成问题的一个可行解

第一题：1033 To Fill or Not to Fill (25分) 这个是个贪心算法，我想到就是不断找最便宜的且最近的车站,但是这个还要涉及，如果下一个应该去的最便宜的车站价格比当前车站贵，应该加满，涉及有点复杂。 待完善。 第二题：1037 Magic Coupon (25分) 这个题属实是一个简单贪心算法，但是我一开始用set保存，利用了set的自排序，但是忽略了不可以重复，所以改为multiset通过 来源： CSDN 作者： 如椽大笔_S686 链接： https://blog.csdn.net/ZiYuTongXue/article/details/103969276

LeetCode 605 种花问题 https://leetcode-cn.com/problems/can-place-flowers/ 题目描述： 假设你有一个很长的花坛，一部分地块种植了花，另一部分却没有。 可是，花卉不能种植在相邻的地块上，它们会争夺水源，两者都会死去。 给定一个花坛（表示为一个数组包含0和1，其中0表示没种植花，1表示种植了花）， 和一个数 n 。能否在不打破种植规则的情况下种入 n 朵花？ 能则返回True，不能则返回False。 输入: flowerbed = [1,0,0,0,1], n = 1 输出: True 输入: flowerbed = [1,0,0,0,1], n = 2 输出: False * 数组内已种好的花不会违反种植规则。 * 输入的数组长度范围为 [1, 20000]。 * n 是非负整数，且不会超过输入数组的大小。 思路 ： 对于这道题来说，因为已经种好的花不会违反种植规则，所以对于每一个1，都有紧跟的0位置，可以跳过，所以，当当前位置值为1时，i = i+2; 而当当前位置为0时，前面肯定是0或者是起始位置，所以只需要看下一个位置的值，这个时候有一个临界条件，如果当前位置是数组末尾，此时是可种植的，如果不是，那么就需要看下一个位置的值，若是0，则可以种植，此时 i=i+2,若是1，则不能种植， i = i+1,到下一个位置。

转自 : http://hi.baidu.com/abcdcamey/item/0d1d6746c9ef4616896d10ac 动态规划和贪心算法的区别 动态规划和贪心算法都是一种递推算法 均有局部最优解来推导全局最优解 不同点： 贪心算法： 1.贪心算法中，作出的每步贪心决策都无法改变，因为贪心策略是由上一步的最优解推导下一步的最优解，而上一部之前的最优解则不作保留。 2.由（1）中的介绍，可以知道贪心法正确的条件是：每一步的最优解一定包含上一步的最优解。 动态规划算法： 1.全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解 2.动态规划的关键是状态转移方程，即如何由以求出的局部最优解来推导全局最优解 3.边界条件：即最简单的，可以直接得出的局部最优解 ============================================================================== 贪心算法与动态规划 贪心法的基本思路： 从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到某算法中的某一步不能再继续前进时，算法停止。 该算法存在问题： 1. 不能保证求得的最后解是最佳的； 2. 不能用来求最大或最小解问题； 3. 只能求满足某些约束条件的可行解的范围。实现该算法的过程：

1、简单贪心 利用局部最优来求解全局最优的方法，并利用反证法或者数学归纳法加以推理。 例题：【PAT B1020】月饼 月饼是中国人在中秋佳节时吃的一种传统食品，不同地区有许多不同风味的月饼。现给定所有种类月饼的库存量、总售价、以及市场的最大需求量，请你计算可以获得的最大收益是多少。 注意：销售时允许取出一部分库存。样例给出的情形是这样的：假如我们有3种月饼，其库存量分别为18、15、10万吨，总售价分别为75、72、45亿元。如果市场的最大需求量只有20万吨，那么我们最大收益策略应该是卖出全部15万吨第2种月饼、以及5万吨第3种月饼，获得 72 + 45/2 = 94.5（亿元）。 输入格式： 每个输入包含1个测试用例。每个测试用例先给出一个不超过1000的正整数N表示月饼的种类数、以及不超过500（以万吨为单位）的正整数D表示市场最大需求量。随后一行给出N个正数表示每种月饼的库存量（以万吨为单位）；最后一行给出N个正数表示每种月饼的总售价（以亿元为单位）。数字间以空格分隔。 输出格式： 对每组测试用例，在一行中输出最大收益，以亿元为单位并精确到小数点后2位。 输入样例： 3 20 18 15 10 75 72 45 输出样例： 94.50 思路： 总是选择单价最高的月饼出售，可以获得最大的利润 从单价高的月饼开始枚举 注意数据类型 无法为 来源： https://www

动态规划和贪心算法都是一种递推算法 即均由局部最优解来推导全局最优解 （ 不从整体最优解出发来考虑， 总是做出在当前看来最好的选择。） 不同点： 贪心算法 与动态规划的区别： 贪心算法中，作出的每步贪心决策都无法改变，由上一步的最优解推导下一步的最优解，所以上一部之前的最优解则不作保留。 能使用贪心法求解的条件 ：是否能找出一个贪心标准。我们看一个找币的例子，如果一个货币系统有三种币值，面值分别为一角、五分和一分，求最小找币数时，可以用贪心法求解；如果将这三种币值改为一角一分、五分和一分，就不能使用贪心法求解。 例：贪心法标准的选择 设有n个正整数，将它们连接成一排，组成一个最大的多位整数。 例如：n=3时，3个整数13，312，343，连成的最大整数为34331213。 又如：n=4时，4个整数7，13，4，246，连成的最大整数为7424613。 输入：n 个数 输出：连成的多位数 算法分析：此题很容易想到使用贪心法，在考试时有很多同学把整数按从大到小的顺序连接起来，测试题目的例子也都符合，但最后测试的结果却不全对。按这种标 准，我们很容易找到反例：12，121应该组成12121而非12112，那么是不是相互包含的时候就从小到大呢？也不一定，如12，123就是 12312而非12123，这种情况就有很多种了。是不是此题不能用贪心法呢？ 其实此题可以用贪心法来求解

课程简介 本系列视频教程为数据结构与算法基础，使用java语言描述，适合没有学过C/C++有一定Java基础的同学。没有Java基础的同学可以先行学习Java基础。 课程目录 ├─线性表 ├─栈和队列 ├─HashMap和LinkedHashMap ├─树 ├─二叉树 ├─图 ├─图的遍历与最小生成树 ├─图的最短路径与拓扑排序 ├─算法简介 ├─算法排序 ├─排序与归并 ├─递归与穷举 ├─贪心和分治 ├─动态规划和回溯 来源： CSDN 作者： di_pingxian 链接： https://blog.csdn.net/di_pingxian/article/details/103897423

前言 贪心算法在解决问题时总想着用当前看来最好的方法来实现。其不从整体最优上考虑问题，仅考虑某种意义上的局部最优来求解问题。贪心算法的有点是： 当面对范围比较大的问题时，能产生整体最优解或整体最优解的近似值。 贪心算法的存在问题 不能保证最后的解是最优的。 不能用来求最大解或者最小解问题。 只能求满足某种约束条件的可行解的范围。 贪心算法的基本思路 建立数学模型来描述问题。 把求解的问题分解成若干个子问题。 对每一子问题求解，得到子问题的局部最优解。 把子问题的局部最优解合并成原来问题的一个解。 实现算法基本过程 从问题的某一初始解出发。 while能向给定总目标前进一步。 求出可行解的一个解元素。 由所有解元素组合成问题的一个可行解。 案例 解决“找零”问题 假设只有1分，2分，5分，1角，2角，5角，1元面值的硬币。在超市结账找零时，收银员希望将最少的硬币数找给顾客，那么给定找零的零钱数目，如何求得最小的硬币数 ？ def look ( ) : d = [ 0.01 , 0.02 , 0.05 , 0.1 , 0.2 , 0.5 , 1.0 ] #存储每种硬币的面值 d_num = [ ] #存储每种硬币的数量 s = 0 #拥有零钱的总钱 temp = input ( '请输入每种零钱的数量(以空格为区分)' ) d_num0 = temp . split ( ' ' )

问题 1508: [蓝桥杯][算法提高VIP]和最大子序列 时间限制: 1Sec 内存限制: 128MB 提交: 487 解决: 160 题目描述 对于一个给定的长度为N的整数序列A，它的“子序列”的定义是：A中非空的一段连续的元素（整数）。你要完成的任务是，在所有可能的子序列中，找到一个子序列，该子序列中所有元素的和是最大的（跟其他所有子序列相比）。程序要求你输出这个最大值。 输入 输入文件的第一行包含一个整数N，第二行包含N个整数，表示A。 其中 1 < = N < = 100000 -10000 < = A[i] < =　　10000 输出 输出仅包含一个整数，表示你算出的答案。 样例输入 5 3 -2 3 -5 4 样例输出 4 #include <iostream> #include <algorithm> using namespace std; const int Max=105; int main() { int n,_max=INT_MIN,sum=0;//当前最大 int dp[Max]; cin>>n; for(int i=0;i<n;i++) cin>>dp[i]; for(int i=0;i<n;i++) { sum+=dp[i];//连续叠加 _max=max(sum,_max); if(sum<0) sum=0;//说明这个点绝不可能是最大子序列的起点