贪心算法核心解析：原理、策略与 C++ 实战

输出结果

选择的活动（开始时间，结束时间）： (1, 4) (5, 7) (8, 11) (12, 16) 最多可选择 4 个活动 

2. 哈夫曼编码（最优前缀编码）

问题描述

给定字符的频率分布（如 a:5, b:9, c:12, d:13），构造前缀编码（无编码是另一编码的前缀），使总编码长度（频率×编码长度之和）最小。

贪心策略

1. 构建最小堆（优先队列），存储所有字符的频率；
2. 每次取出两个频率最小的节点，合并为一个新节点（频率为两节点之和）；
3. 将新节点入堆，重复步骤 2，直到堆中只剩一个节点（哈夫曼树的根）；
4. 树的左分支记为 0，右分支记为 1，叶子节点的路径即为对应字符的编码。

C++ 实现

#include <iostream>
#include <queue>
#include <vector>

using namespace std;

// 计算哈夫曼编码的总长度
int huffmanCodeTotalLength(const vector<int>& frequencies) {
    // 最小堆：priority_queue<Type, Container, Compare>
    priority_queue<int, vector<int>, greater<int>> minHeap;

    // 1. 将所有频率入堆
    for (int freq : frequencies) {
        minHeap.push(freq);
    }

    int totalLength = 0; // 总编码长度

    // 2. 合并节点，直到堆中只剩 1 个节点
    while (minHeap.size() > 1) {
        // 取出两个最小频率
        int first = minHeap.top(); minHeap.pop();
        int second = minHeap.top(); minHeap.pop();

        // 合并后的新节点频率
        int merged = first + second;
        totalLength += merged; // 合并节点的频率即编码长度贡献

        // 新节点入堆
        minHeap.push(merged);
    }
    return totalLength;
}

int main() {
    // 字符频率：a:5, b:9, c:12, d:13, e:16, f:45
    vector<int> frequencies = {5, 9, 12, 13, 16, 45};
    int total = huffmanCodeTotalLength(frequencies);
    cout << "哈夫曼编码的总长度：" << total << endl;
    // 输出：224
    return 0;
}

原理说明

总长度 224 的计算逻辑： 合并过程为 5+9=14（贡献 14）→12+13=25（贡献 25）→14+16=30（贡献 30）→25+30=55（贡献 55）→45+55=100（贡献 100），总和 14+25+30+55+100=224。

3. Dijkstra 算法（单源最短路径）

问题描述

在带非负权的无向/有向图中，找到从源点 S 到所有其他节点的最短路径长度。

贪心策略

1. 用 dist[] 数组记录源点到各节点的当前最短距离（初始为 INF，dist[S]=0）；
2. 构建最小堆，存储（当前最短距离，节点），初始将（0, S）入堆；
3. 每次取出堆顶节点 u（当前距离源点最近的未确定节点），标记为'已确定'；
4. 遍历 u 的所有邻接节点 v，执行松弛操作：若 dist[v] > dist[u] + 边权 w，则更新 dist[v]，并将（dist[v], v）入堆；
5. 重复步骤 3-4，直到堆为空。

C++ 实现

#include <iostream>
#include <vector>
#include <queue>
#include <climits>
#include <stdexcept> // 用于边界校验异常

using namespace std;

const int INF = INT_MAX;

vector<int> dijkstra(int n, int source, const vector<vector<pair<int, int>>>& adj) {
    // 边界校验：源点合法性
    if (source < 0 || source >= n) {
        throw invalid_argument("源点超出节点范围！");
    }

    vector<int> dist(n, INF);
    dist[source] = 0;

    // 最小堆：(当前距离，节点)
    priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> minHeap;
    minHeap.push({0, source});

    while (!minHeap.empty()) {
        auto [currentDist, u] = minHeap.top(); // C++17 结构化绑定
        minHeap.pop();

        if (currentDist > dist[u]) continue;

        // 遍历 u 的所有邻接节点
        for (auto [v, w] : adj[u]) {
            // 松弛操作：更新 dist[v]
            if (dist[v] > dist[u] + w) {
                dist[v] = dist[u] + w;
                minHeap.push({dist[v], v});
            }
        }
    }
    return dist;
}

int main() {
    int n = 6; // 节点数（0~5）
    vector<vector<pair<int, int>>> adj(n); // 局部邻接表，替代全局变量

    // 构建图（边：u->v，权 w）
    adj[0].emplace_back(1, 2); // emplace_back 比 push_back 更高效（直接构造对象）
    adj[0].emplace_back(2, 4);
    adj[1].emplace_back(2, 1);
    adj[1].emplace_back(3, 7);
    adj[2].emplace_back(4, 3);
    adj[3].emplace_back(5, 1);
    adj[4].emplace_back(3, 2);
    adj[4].emplace_back(5, 5);

    int source = 0;
    try {
        vector<int> dist = dijkstra(n, source, adj);

        // 输出正确结果
        cout << "源点 " << source << " 到各节点的最短距离：" << endl;
        for (int i = 0; i < n; ++i) {
            if (dist[i] == INF) {
                cout << "到节点 " << i << "：不可达" << endl;
            } else {
                cout << "到节点 " << i << "：" << dist[i] << endl;
            }
        }
    } catch (const invalid_argument& e) {
        // 捕获边界校验异常
        cerr << "错误：" << e.what() << endl;
        return 1;
    }
    return 0;
}

输出结果

源点 0 到各节点的最短距离： 到节点 0：0 到节点 1：2 到节点 2：3（0→1→2） 到节点 3：8（0→1→2→4→3） 到节点 4：6（0→1→2→4） 到节点 5：9（0→1→2→4→3→5） 

4. Kruskal 算法（最小生成树）

问题描述

在无向带权图中，找到一棵连接所有节点、总边权和最小的生成树（Minimum Spanning Tree, MST）。

贪心策略

1. 将所有边按权值升序排序；
2. 用并查集（Union-Find） 维护已选节点的连通性；
3. 遍历排序后的边，若边的两个端点属于不同连通分量（不构成环），则将该边加入 MST，并合并两个连通分量；
4. 重复步骤 3，直到 MST 包含 n-1 条边（n 为节点数）。

C++ 实现

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// 定义边结构体
struct Edge {
    int u;     // 起点
    int v;     // 终点
    int weight;// 边权
};

// 并查集（Union-Find）：维护连通分量
class UnionFind {
private:
    vector<int> parent; // 父节点
    vector<int> rank;   // 秩（用于路径压缩优化）
public:
    UnionFind(int n) {
        parent.resize(n);
        rank.resize(n, 0);
        for (int i = 0; i < n; i++) {
            parent[i] = i; // 初始父节点为自身
        }
    }

    // 查找根节点（路径压缩）
    int find(int x) {
        if (parent[x] != x) {
            parent[x] = find(parent[x]); // 递归压缩路径
        }
        return parent[x];
    }

    // 合并两个连通分量（按秩合并）
    bool unite(int x, int y) {
        int rootX = find(x);
        int rootY = find(y);
        if (rootX == rootY) return false; // 已在同一分量

        // 秩小的树合并到秩大的树
        if (rank[rootX] < rank[rootY]) {
            parent[rootX] = rootY;
        } else {
            parent[rootY] = rootX;
            if (rank[rootX] == rank[rootY]) {
                rank[rootX]++;
            }
        }
        return true;
    }
};

// Kruskal 算法：返回 MST 的总边权
int kruskal(int n, vector<Edge>& edges) {
    // 1. 按边权升序排序
    sort(edges.begin(), edges.end(), [](const Edge& a, const Edge& b) {
        return a.weight < b.weight;
    });

    UnionFind uf(n);
    int mstTotal = 0; // MST 总边权
    int edgeCount = 0; // 已选边数

    // 2. 遍历边，选择不构成环的边
    for (auto& edge : edges) {
        if (uf.unite(edge.u, edge.v)) {
            mstTotal += edge.weight;
            edgeCount++; // MST 需 n-1 条边，提前退出
            if (edgeCount == n - 1) break;
        }
    }

    // 若边数不足 n-1，说明图不连通
    return (edgeCount == n - 1) ? mstTotal : -1;
}

int main() {
    int n = 5; // 节点数（0~4）
    vector<Edge> edges = {{0,1,2},{0,3,6},{1,2,3},{1,3,8},{1,4,5},{2,4,7},{3,4,9}};
    int mstTotal = kruskal(n, edges);

    if (mstTotal == -1) {
        cout << "图不连通，无法构建 MST" << endl;
    } else {
        cout << "最小生成树的总边权：" << mstTotal << endl; // 输出：16
    }
    return 0;
}

原理说明

MST 的边为 (0,1,2)、(1,2,3)、(1,4,5)、(0,3,6)，总权 2+3+5+6=16，覆盖所有 5 个节点且无环。

五、贪心算法与动态规划的对比

贪心与 DP 均依赖'最优子结构'，但核心差异在于子问题的处理方式：

六、贪心算法的优缺点与应用场景

1. 优点

• 实现简单：无需复杂的状态转移或子问题存储，代码逻辑清晰；
• 效率极高：时间复杂度多为 O(nlogn)（排序）或 O(MlogN)（优先队列），远低于 DP；
• 空间紧凑：无需存储子问题解，空间复杂度通常为 O(n)。

2. 缺点

• 适用范围窄：仅能解决满足'贪心选择性质'的问题，多数问题不适用；
• 正确性难证：需严格证明策略的有效性，直觉性策略易出错（如找零钱反例）；
• 无回溯机制：一旦选择错误，无法修正，只能重新设计策略。

3. 实际应用

• 资源调度：CPU 短作业优先（SJF）调度、任务优先级调度；
• 编码压缩：哈夫曼编码（用于 ZIP、JPEG 等格式）；
• 路径规划：Dijkstra 算法（导航软件核心算法之一）；
• 网络优化：Kruskal/Prim 算法（构建通信网络最小成本拓扑）。

贪心算法是一种'高效但挑剔'的算法：它通过局部最优的积累快速推导全局最优，但仅适用于满足'贪心选择性质'和'最优子结构'的问题。掌握贪心算法的核心在于：

1. 学会判断问题是否符合贪心适用条件；
2. 设计正确的贪心策略并证明其有效性；
3. 熟练运用排序、优先队列、并查集等数据结构实现策略。