算法---贪心算法（Greedy Algorithm）

一、贪心算法的核心定义与本质

贪心算法是一种在每一步选择中都采取当前状态下最优（即局部最优）的选择，以期最终获得全局最优解的启发式算法。其核心思想可概括为：“走一步看一步，每步都选最好的，不回头”。

与动态规划（DP）需要存储子问题的最优解并回溯不同，贪心算法不依赖历史决策——它通过每一步的局部最优积累，直接推导全局最优。这种“短视”的特性使其实现简单、效率极高，但也决定了它并非适用于所有问题，必须满足严格的前提条件。

二、贪心算法的适用条件

判断一个问题能否用贪心算法解决，必须同时满足以下两个核心性质，缺一不可：

1. 贪心选择性质

每一步的局部最优选择，能够导向全局最优解。即：在选择当前最优解时，不需要考虑后续的决策，其选择结果不会影响后续子问题的最优性。

• 示例：活动选择问题中，“选择最早结束的活动”这一局部最优选择，能为后续留下更多时间选择其他活动，最终导向全局最优（最多活动数）。
• 反例：0-1背包问题中，“选择价值密度最高的物品”无法保证全局最优（可能因剩余空间无法容纳其他高价值物品，导致总价值更低）。

2. 最优子结构性质

全局最优解中必然包含其子问题的最优解。即：问题的最优解可以分解为若干个子问题的最优解的组合。

• 示例：Dijkstra算法中，“从源点到节点v的最短路径”必然包含“从源点到路径上某中间节点u的最短路径”——若存在更短的源点→u路径，替换后可得到更短的源点→v路径，与全局最优矛盾。

3. 经典反例：错误的贪心策略

以“找零钱问题”为例：
若硬币面额为[1,3,4]，需找6元。直觉贪心策略（选最大面额优先）会得到4+1+1=6（3枚硬币），但最优解是3+3=6（2枚硬币）。此时“最大面额优先”的贪心策略不满足“贪心选择性质”，导致全局最优失效。

三、贪心算法的解题步骤

使用贪心算法解决问题需遵循固定流程，核心是策略设计与正确性证明：

1. 问题建模：将实际问题抽象为“选择问题”，明确目标函数（如“最多活动数”“最短路径和”）和约束条件（如“活动不冲突”“边权非负”）。
2. 设计贪心策略：确定每一步如何选择“局部最优”。常见策略包括：按结束时间排序、按价值密度排序、按边权排序等。
3. 证明策略正确性：通过数学归纳法或反证法，验证策略满足“贪心选择性质”和“最优子结构”。
4. 编码实现：根据策略选择合适的数据结构（如排序、优先队列、并查集），处理边界情况（如空输入、极端值）。
5. 测试优化：验证结果正确性，优化时间复杂度（如用快排替代冒泡排序）。

四、经典问题与C++实现

贪心算法的应用场景高度集中，以下为4类核心问题的详细实现：

1. 活动选择问题（最多不冲突活动）

问题描述

给定n个活动，每个活动有开始时间start[i]和结束时间end[i]，选择最多不重叠的活动集合。

贪心策略

按活动的结束时间升序排序，优先选择最早结束的活动——该选择能为后续活动预留最多时间，最大化总活动数。

C++实现

#include<iostream>#include<vector>#include<algorithm>usingnamespace std;// 定义活动结构体structActivity{int start;// 开始时间int end;// 结束时间};// 排序规则：按结束时间升序boolcompare(const Activity& a,const Activity& b){return a.end < b.end;}// 选择最多不冲突活动 vector<Activity>selectMaxActivities(vector<Activity>& activities){ vector<Activity> result;if(activities.empty())return result;// 1. 按结束时间排序sort(activities.begin(), activities.end(), compare);// 2. 选择第一个活动（最早结束） result.push_back(activities[0]);int lastEnd = activities[0].end;// 3. 遍历后续活动，选择不冲突的（开始时间>=上一个结束时间）for(int i =1; i < activities.size(); i++){if(activities[i].start >= lastEnd){ result.push_back(activities[i]); lastEnd = activities[i].end;// 更新最后一个活动的结束时间}}return result;}intmain(){ vector<Activity> activities ={{1,4},{3,5},{0,6},{5,7},{3,9},{5,9},{6,10},{8,11},{8,12},{2,14},{12,16}}; vector<Activity> selected =selectMaxActivities(activities);// 输出结果 cout <<"选择的活动（开始时间, 结束时间）："<< endl;for(auto& act : selected){ cout <<"("<< act.start <<", "<< act.end <<")"<< endl;} cout <<"最多可选择 "<< selected.size()<<" 个活动"<< endl;return0;}

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>usingnamespace std;// 计算哈夫曼编码的总长度inthuffmanCodeTotalLength(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;}intmain(){// 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：224return0;}

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usingnamespace std;constint 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){throwinvalid_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;}intmain(){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;return1;}return0;}

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>usingnamespace std;// 定义边结构体structEdge{int u;// 起点int v;// 终点int weight;// 边权};// 并查集（Union-Find）：维护连通分量classUnionFind{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）intfind(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）boolunite(int x,int y){int rootX =find(x);int rootY =find(y);if(rootX == rootY)returnfalse;// 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]++;}}returntrue;}};// Kruskal算法：返回MST的总边权intkruskal(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;}intmain(){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}return0;}

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。