贪心策略实战Leetcode 860题：柠檬水找零问题的优雅解法

[📌 问题背景：一场贴近生活的算法考验](#📌 问题背景：一场贴近生活的算法考验)
[🧠 算法原理：贪心策略的核心逻辑拆解](#🧠 算法原理：贪心策略的核心逻辑拆解)
- 核心思想
- 找零的逻辑分析
- [📊 算法步骤可视化（流程图）](#📊 算法步骤可视化（流程图）)
[💻 C++代码实现：简洁高效的贪心解法](#💻 C++代码实现：简洁高效的贪心解法)
[📝 算法总结与拓展](#📝 算法总结与拓展)
- 柠檬水找零问题的核心收获
- 贪心算法的拓展场景
[🌟 写在最后](#🌟 写在最后)

✨ 前言：在算法的世界里，贪心策略就像一把精巧的钥匙，总能以最直观、最高效的方式打开一类最优化问题的大门。它不追求复杂的全局推导，而是立足当下做出最优选择，最终收获全局的正确解。今天我们就以LeetCode 860题------柠檬水找零问题为例，拆解贪心策略的核心思想，用C++实现简洁高效的解题代码，带你感受贪心算法的独特魅力～

📌 问题背景：一场贴近生活的算法考验

我们化身街头柠檬水摊主，开启一天的摆摊之旅，却遇到了一个现实的问题：出摊时手上没有任何零钱，柠檬水定价为5元/杯，前来购买的顾客会随机支付5元、10元或20元的纸币，我们需要判断能否为每一位顾客顺利找零，让交易无间断完成。

这个问题看似是日常的找零场景，实则是典型的贪心算法应用案例，没有复杂的逻辑嵌套，核心在于每一次找零都做出对后续最有利的选择，这也是贪心策略的精髓所在。

🧠 算法原理：贪心策略的核心逻辑拆解

核心思想

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。区别于动态规划的全局规划，贪心的关键是局部最优选择能推导出全局最优解，而柠檬水找零问题恰好满足这一特性。

找零的逻辑分析

柠檬水单价5元，顾客支付面额仅为5、10、20元，我们只需维护手中5元、10元、20元纸币的数量（20元纸币仅作为收入，无法用于找零，核心关注5和10元），针对不同支付面额制定专属找零策略：

顾客支付5元：无需找零，直接增加手中5元纸币的数量即可；
顾客支付10元 ：需要找零5元，仅能使用5元纸币找零。若手中有5元则完成找零（5元数量-1，10元数量+1），若无则无法找零，返回false；
顾客支付20元：需要找零15元，有两种找零方案：
- 方案1：1张10元 + 1张5元（优先选择）
- 方案2：3张5元
✅ 贪心选择的关键 ：为什么优先选10+5的组合？因为5元纸币是找零的"通用货币"，10元仅能用于20元的找零，而5元可用于10元和20元的找零。保留更多的5元纸币，能为后续更多的找零场景提供支持，这就是局部最优选择，最终实现全局的找零成功。

📊 算法步骤可视化（流程图）

Plain 复制代码

开始
  |
  v
初始化：count5=0，count10=0，count20=0
  |
  v
遍历每位顾客的支付金额cash
  |
  |---- cash ==5 → count5++ → 继续遍历
  |
  |---- cash ==10 → 判断count5>0？
  |       |
  |       |--- 是 → count5--，count10++ → 继续遍历
  |       |--- 否 → 返回false（找零失败）
  |
  |---- cash ==20 → 先判断count10>0且count5>0？
          |
          |--- 是 → count10--，count5--，count20++ → 继续遍历
          |--- 否 → 判断count5>=3？
                  |
                  |--- 是 → count5-=3，count20++ → 继续遍历
                  |--- 否 → 返回false（找零失败）
  |
  v
所有顾客遍历完成 → 返回true（全部找零成功）
结束

💻 C++代码实现：简洁高效的贪心解法

核心代码

基于上述逻辑，我们用C++实现代码，代码仅需一次遍历（时间复杂度O(n)），常数级额外空间（空间复杂度O(1)），满足题目最优性能要求：

C++ 复制代码

#include <iostream>
#include <vector>
using namespace std;

// 柠檬水找零核心函数
bool lemonadeChange(vector<int>& bills) {
    int count5 = 0, count10 = 0, count20 = 0; // 记录三种纸币的数量
    for (int cash : bills) {
        if (cash == 5) {
            // 支付5元，无需找零
            count5++;
        } else if (cash == 10) {
            // 支付10元，需找5元
            if (count5 == 0) return false;
            count5--;
            count10++;
        } else {
            // 支付20元，优先10+5找零
            if (count10 > 0 && count5 > 0) {
                count10--;
                count5--;
            } else if (count5 >= 3) {
                // 无10元，用3张5元找零
                count5 -= 3;
            } else {
                // 两种方案都不可行，找零失败
                return false;
            }
            count20++; // 20元数量仅记录，不参与找零
        }
    }
    // 所有顾客都完成找零
    return true;
}

// 测试主函数
int main() {
    vector<int> test1 = {5,5,5,10,20}; // 测试用例1：找零成功
    vector<int> test2 = {5,5,10,10,20}; // 测试用例2：找零失败
    cout << "测试用例1结果：" << (lemonadeChange(test1) ? "成功" : "失败") << endl;
    cout << "测试用例2结果：" << (lemonadeChange(test2) ? "成功" : "失败") << endl;
    return 0;
}

代码详解

变量初始化 ：定义count5、count10、count20三个整型变量，初始值为0，分别记录手中5、10、20元纸币的数量；
遍历支付数组 ：用范围for循环遍历顾客的支付金额数组bills，对每一个支付面额做分支处理；
分支逻辑 ：严格遵循上述贪心找零策略，对5、10、20元分别处理，一旦发现无法找零，立即返回false；
测试用例：主函数中设置两个典型测试用例，分别验证找零成功和失败的场景，直观展示函数功能。

性能分析

时间复杂度：O(n)，其中n为顾客的数量，代码仅对支付数组做一次线性遍历，无嵌套循环；
空间复杂度：O(1)，仅使用了三个整型变量记录纸币数量，额外空间与输入规模无关，为常数级。

📝 算法总结与拓展

柠檬水找零问题的核心收获

贪心策略的适用前提：局部最优选择能推导出全局最优解，本题中"优先保留5元纸币"的局部选择，能最大化后续找零的可能性，最终实现全局找零成功；
问题简化技巧：将实际问题抽象为算法模型，忽略无关细节（如柠檬水的成本、利润），聚焦核心矛盾（找零的面额匹配）；
代码设计原则：基于贪心的算法实现往往简洁高效，无需复杂的数据结构，仅通过基础变量和分支判断即可完成。

贪心算法的拓展场景

贪心策略并非万能，但在很多经典问题中都能发挥奇效，例如：

零钱兑换（特定面额下的最优解）；
活动选择问题（选择最多的不重叠活动）；
哈夫曼编码（最优前缀编码）；
跳跃游戏（判断能否到达数组末尾）。

解决这类问题的关键，是找到问题的贪心选择性质，即确定"每一步该如何选择才能让结果最优"。

🌟 写在最后

柠檬水找零问题作为贪心算法的入门经典题，让我们感受到了算法与生活的紧密结合，也体会到了贪心策略"化繁为简"的魅力。算法的学习并非死记硬背，而是理解其核心思想，将其运用到实际问题中。

这道题的讲解告一段落，后续我们还会继续拆解煎饼排序等经典算法问题，探索更多算法思想的实战应用～关注我，一起在算法的世界里稳步前行，解锁更多高效解题技巧！💪