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>
using namespace std;

// 定义活动结构体
struct Activity {
    int start;  // 开始时间
    int end;    // 结束时间
};

// 排序规则：按结束时间升序
bool compare(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;
}

int main() {
    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;
    return 0;
}

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：

对比维度	贪心算法（Greedy）	动态规划（DP）
核心思想	局部最优→全局最优，不回溯	存储子问题最优解，回溯推导全局最优
子问题处理	不存储子问题解，每步直接选最优	存储子问题解（如dp数组），避免重复计算
适用场景	满足"贪心选择性质"的问题	不满足贪心选择性质，但有最优子结构
时间复杂度	低（通常O(nlogn)，排序主导）	较高（通常O(n²)或O(nm)）
典型问题	活动选择、哈夫曼编码、Dijkstra	0-1背包、最长公共子序列、斐波那契
最优解保证	需证明策略正确性，否则不保证	只要状态转移正确，必为全局最优

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。