贪心算法(Greedy Algorithm)是一种在每一步选择中都采取在当前状态下最好或最优(即最有利)的选择,从而希望导致结果是全局最好或最优的算法。贪心算法并不总是能得到最优解,但是对于很多问题,贪心算法可以得到最优解或近似最优解,并且算法效率较高。
下面通过一个经典的贪心算法问题------找零问题(Coin Change Problem)来介绍贪心算法及其Java实现。
问题描述
给定一个硬币面额数组(例如:1, 2, 5),和一个总金额,计算组成这个总金额所需的最少硬币数。
贪心算法思路
对于这个问题,一个直观的贪心策略是按照硬币面额从大到小排序,然后尽可能多地使用面额大的硬币,直到无法再用该面额的硬币为止,然后转向下一个面额的硬币。
Java代码实现
java
import java.util.Arrays;
import java.util.Comparator;
public class GreedyAlgorithm {
public static int minCoins(int[] coins, int amount) {
// 排序硬币面额,从大到小
Arrays.sort(coins, Comparator.reverseOrder());
int[] dp = new int[amount + 1];
// 初始化dp数组,初始值为一个较大的数,表示初始状态下无法组成该金额
Arrays.fill(dp, amount + 1);
// 0金额不需要硬币
dp[0] = 0;
for (int i = 1; i <= amount; i++) {
for (int j = 0; j < coins.length; j++) {
if (coins[j] <= i) {
// 状态转移方程:当前金额的最少硬币数 = Math.min(当前金额的最少硬币数, 使用一个面额为coins[j]的硬币后的最少硬币数 + 1)
dp[i] = Math.min(dp[i], dp[i - coins[j]] + 1);
} else {
// 当前硬币面额大于当前金额,跳出循环
break;
}
}
}
// 如果dp[amount]的值没有被更新过,说明无法组成该金额
return dp[amount] > amount ? -1 : dp[amount];
}
public static void main(String[] args) {
int[] coins = {1, 2, 5};
int amount = 11;
System.out.println("最少硬币数:" + minCoins(coins, amount));
}
}
代码解释
minCoins
方法接收一个硬币面额数组和一个总金额作为输入,返回组成该总金额所需的最少硬币数。- 首先,对硬币面额数组进行降序排序。
- 创建一个
dp
数组,用于记录每个金额所需的最少硬币数。初始时,将dp
数组的所有元素设置为一个较大的数(这里设置为amount + 1
)。 - 初始化
dp[0]
为0,表示0金额不需要硬币。 - 使用两个嵌套的循环来计算每个金额所需的最少硬币数。外层循环遍历每个金额,内层循环遍历每个硬币面额。如果当前硬币面额小于等于当前金额,则更新
dp[i]
的值为使用当前硬币后的最少硬币数加1和原来的dp[i]
的值的较小者。 - 最后,返回
dp[amount]
的值作为结果。如果dp[amount]
的值没有被更新过(仍然为初始值amount + 1
),则说明无法组成该金额,返回-1。
注意:这个实现实际上并不是纯粹的贪心算法,而是动态规划算法。纯粹的贪心算法不会使用dp
数组来记录中间结果,而是直接根据贪心策略计算最终结果。但是,对于这个问题,直接使用贪心策略可能会导致错误的结果(例如当硬币面额数组为{1, 3, 4}时)。因此,这里使用了动态规划的思想来保证得到正确的结果。
如果你想要实现一个纯粹的贪心算法来解决这个问题,你需要确保硬币面额满足一定的条件(例如,每个硬币面额都是其他硬币面额的倍数),这样贪心策略才能得到正确的结果。但是,在一般情况下,我们更倾向于使用动态规划等更稳健的方法来解决这类问题。