代码随想录|贪心算法|08跳跃游戏II

leetcode:45. 跳跃游戏 II - 力扣(LeetCode)

题目

给定一个非负整数数组,你最初位于数组的第一个位置。

数组中的每个元素代表你在该位置可以跳跃的最大长度。

你的目标是使用最少的跳跃次数到达数组的最后一个位置。

示例:

  • 输入: [2,3,1,1,4]
  • 输出: 2
  • 解释: 跳到最后一个位置的最小跳跃数是 2。从下标为 0 跳到下标为 1 的位置,跳  1  步,然后跳  3  步到达数组的最后一个位置。

说明: 假设你总是可以到达数组的最后一个位置。

思路

大体的思路还是根据覆盖范围确定何时可以达到终点,贪心策略如下:

局部最优:当前可移动距离尽可能多走,如果还没到终点,步数加一。

整体最优:一步尽可能夺走,争取在最少的步数内走到终点。

这里的做法有点类似于双指针法,定义两个覆盖范围:当前的最大覆盖范围和下一步的最大范围。

如果移动下标到了当前最大覆盖范围的终点,却还没有到达数组终点,那么此时跳跃到下一个最大范围。(需要注意,当前最大覆盖范围是从0开始的,因为第一步也计入在内)

代码如下:

#include <vector>
using namespace std;

class Solution
{
public:
    int jump(vector<int> &nums)
    {
        // 处理只有一个元素的特殊情况
        if (nums.size() == 1)
            return 0;
    
        int result = 0;          // 记录跳跃次数
        int curCover = 0;        // 当前跳跃能到达的最远下标
        int nextCover = 0;       // 下一次跳跃能到达的最远下标
    
        // 遍历数组元素,维护跳跃区间
        for (int i = 0; i < nums.size(); i++)
        {
            // 更新下一次能覆盖的最远范围
            nextCover = max(nextCover, i + nums[i]);
    
            // 当遍历到当前覆盖范围边界时触发跳跃
            if (i == curCover)
            {
                result++;               // 增加跳跃次数
                curCover = nextCover;   // 更新当前覆盖范围
    
                // 已能覆盖最后一个元素时提前终止
                if (curCover >= nums.size() - 1)
                    break;
            }
        }
        return result;
    }
};

总结

以最小的步数增加最大的覆盖范围,直到覆盖范围覆盖了终点,这个范围内最少步数一定可以跳到,不用管具体是怎么跳的,不纠结于一步究竟跳一个单位还是两个单位。

参考资料

代码随想录 

贪心算法,最少跳几步还得看覆盖范围 | LeetCode: 45.跳跃游戏II_哔哩哔哩_bilibili

### 关于贪心算法的讲解 贪心算法是一种在每一步选择中都采取当前状态下最好或最优的选择,从而希望最终结果也是全局最优的一种算法策略[^1]。 对于某些特定问题而言,这种局部最优解能够直接导向全局最优解。然而,并不是所有的优化问题都能通过这种方法求得最精确的结果,但在很多情况下可以获得接近最优解的有效方案。 #### 示例一:最大和转换后的数组元素(Java) 考虑这样一个例子,在给定整数列表`nums`以及一个非负整数`k`的情况下,允许执行最多`k`次操作来改变任意数量的数值符号。目标是在不超过`k`次翻转的前提下最大化所有元素之和: ```java class Solution { public int largestSumAfterKNegations(int[] nums, int k) { Arrays.sort(nums); int count = 0; for (int i = 0; i < nums.length; i++) { if (k > 0 && nums[i] < 0) { nums[i] = -nums[i]; k--; } count += nums[i]; } Arrays.sort(nums); return count - ((k % 2 == 0) ? 0 : 2 * nums[0]); } } ``` 这段代码实现了上述逻辑,其中先对输入数组进行了升序排列以便优先处理负值较大的项,之后再根据剩余的操作次数决定是否调整最小正值以进一步提升总和[^2]。 #### 示例二:分配最少糖果数目 另一个典型的应用场景涉及向一群孩子分发糖果,条件是一个孩子的评分高于其左侧邻居,则该名学生应获得更多的糖果。这里采用了一种简单直观的方法——每当遇到更高的分数就增加一颗糖的数量直到遍历结束整个序列为止[^3]。 ```python def distribute_candies(ratings): n = len(ratings) candies = [1]*n for i in range(1,n): if ratings[i]>ratings[i-1]: candies[i]=candies[i-1]+1 for j in reversed(range(n-1)): if ratings[j]>ratings[j+1] and candies[j]<=candies[j+1]: candies[j]=candies[j+1]+1 return sum(candies) ``` 此Python函数展示了如何利用两次扫描过程分别从前至后和从后往前更新每个位置上的最低需求量,确保满足题目要求的同时使得总的糖果消耗达到最小化。 #### 示例三:寻找合适的起始站点完成环形路线旅行 最后来看一个更复杂的案例—解决“加油站”问题。假设存在一系列相连的服务区构成闭合路径,车辆可以在任一站加油并继续行驶直至下一个目的地。为了判断能否顺利完成一圈旅程,可以通过计算各段行程结束后所剩燃油量来进行评估。具体做法是从第一个节点开始累积净增益(`gas-cost`),只要中途未曾跌入负区间即表明可以从起点出发成功返回原点;反之则需重新选定其他候选作为新的出发点尝试验证[^4]。 ```cpp bool canCompleteCircuit(vector<int>& gas, vector<int>& cost) { int total_tank = 0, curr_tank = 0, starting_station = 0; for (size_t i=0 ; i<gas.size() ; ++i){ total_tank += gas[i]-cost[i]; curr_tank += gas[i]-cost[i]; // If one couldn't get here, if(curr_tank < 0){ // Start over from next station. starting_station=i+1; curr_tank=0; } } return total_tank >= 0 && starting_station != gas.size(); } ``` 以上三个实例均体现了不同形式下的贪心思维模式及其应用技巧,它们共同之处在于总是倾向于做出当下看来最佳的动作,进而逐步构建出完整的解决方案框架。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值