《代码随想录》Ⅷ 贪心算法 455. 分发饼干

《代码随想录》Ⅷ 贪心算法 455. 分发饼干

努力学习!

题目:力扣链接

  • 假设你是一位很棒的家长,想要给你的孩子们一些小饼干。但是,每个孩子最多只能给一块饼干。

    对每个孩子 i​,都有一个胃口值 g[i]这是能让孩子们满足胃口的饼干的最小尺寸;并且每块饼干 j​,都有一个尺寸 s[j]​ 。如果 s[j] >= g[i]​,我们可以将这个饼干 j​ 分配给孩子 i​ ,这个孩子会得到满足。你的目标是满足尽可能多的孩子,并输出这个最大数值。

一、思想

这道题的核心思想是使用贪心算法,这里的当前最优就是大饼干喂给胃口大的,充分利用饼干尺寸喂饱一个,全局最优就是喂饱尽可能多的小孩

具体来说,我们先将孩子和饼干的胃口大小数组分别进行排序,然后从最大的孩子和最大的饼干开始匹配。如果当前饼干能够满足当前孩子的胃口,就将该饼干分配给孩子,并继续匹配下一个孩子和下一个饼干。如果当前饼干不能满足当前孩子的胃口,则继续尝试下一个更小的饼干。通过这种方式,我们可以确保每次分配都是当前最优的选择,从而达到全局最优解。

二、代码

class Solution
{
public:
    /**
     * 该函数用于解决"分配饼干"问题,即在给定孩子和饼干的胃口大小数组的情况下,
     * 找到最多能满足多少个孩子,并返回满足的孩子的数量。
     * @param g 孩子们的胃口大小数组
     * @param s 饼干的胃口大小数组
     * @return 最多能满足的孩子的数量
     */
    int findContentChildren(vector<int> &g, vector<int> &s)
    {
        // 对孩子的胃口大小数组进行排序
        sort(g.begin(), g.end());
        // 对饼干的胃口大小数组进行排序
        sort(s.begin(), s.end());
        // 初始化饼干的索引为饼干数组的最后一个元素
        int index = s.size() - 1;
        // 初始化满足的孩子的数量为0
        int res = 0;

        // 从最后一个孩子开始遍历
        for (int i = g.size() - 1; i >= 0; --i) {
            // 如果饼干的索引有效且饼干的胃口大小大于等于孩子的胃口大小
            if (index >= 0 && s[index] >= g[i]) {
                // 饼干的索引减1,满足的孩子的数量加1
                index--;
                res++;
            }
        }
        // 返回满足的孩子的数量
        return res;
    }
};

三、代码解析

1. 算法工作原理分解
1.1 排序
  • 目的:为了方便后续的贪心匹配,我们需要先将孩子和饼干的胃口大小数组分别进行排序。
  • 实现:使用sort​函数对数组进行升序排序。
1.2 贪心匹配
  • 目的:从最大的孩子和最大的饼干开始匹配,尽可能多地满足孩子的胃口。

  • 实现

    • 初始化:设置饼干的索引为最后一个元素,即最大的饼干。设置满足的孩子的数量为0。
    • 遍历孩子:从最后一个孩子开始遍历,即从胃口最大的孩子开始。
    • 匹配饼干:如果当前饼干能够满足当前孩子的胃口,则将饼干分配给孩子,并减少饼干索引,增加满足的孩子的数量。
    • 继续匹配:如果当前饼干不能满足当前孩子的胃口,则继续尝试下一个更小的饼干。
1.3 返回结果
  • 目的:返回最终满足的孩子的数量。
  • 实现:返回变量res​的值。
2. 关键点说明
2.1 排序的重要性
  • 排序:通过排序,我们可以确保在匹配时总是优先使用最大的饼干来满足胃口最大的孩子,从而最大化满足孩子的数量。
2.2 贪心选择的正确性
  • 贪心选择:每次选择当前最大的饼干来满足当前胃口最大的孩子,这种选择是局部最优的,且不会影响后续的选择,因此能够保证全局最优。
2.3 索引的管理
  • 索引管理:通过维护一个饼干索引,我们可以确保每次匹配时都是从剩余的饼干中选择最大的一个。

四、复杂度分析

  • 时间复杂度O(n log n)

    • 其中n​是孩子和饼干的数量。排序的时间复杂度为O(n log n)​,贪心匹配的时间复杂度为O(n)​,因此总的时间复杂度为O(n log n)​。
  • 空间复杂度O(1)

    • 除了输入数组外,算法只使用了常数级别的额外空间,因此空间复杂度为O(1)​。

白展堂:人生就是这样,苦和累你总得选一样吧?哪有什么好事都让你一个人占了呢。 ——《武林外传》

基于实时迭代的数值鲁棒NMPC双模稳定预测模型(Matlab代码实现)内容概要:本文介绍了基于实时迭代的数值鲁棒非线性模型预测控制(NMPC)双模稳定预测模型的研究与Matlab代码实现,重点在于提升系统在存在不确定性与扰动情况下的控制性能与稳定性。该模型结合实时迭代优化机制,增强了传统NMPC的数值鲁棒性,并通过双模控制策略兼顾动态响应与稳态精度,适用于复杂非线性系统的预测控制问题。文中还列举了多个相关技术方向的应用案例,涵盖电力系统、路径规划、信号处理、机器学习等多个领域,展示了该方法的广泛适用性与工程价值。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事自动化、电气工程、智能制造、机器人控制等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于非线性系统的高性能预测控制设计,如电力系统调度、无人机控制、机器人轨迹跟踪等;②解决存在模型不确定性、外部扰动下的系统稳定控制问题;③通过Matlab仿真验证控制算法的有效性与鲁棒性,支撑科研论文复现与工程原型开发。; 阅读建议:建议读者结合提供的Matlab代码进行实践,重点关注NMPC的实时迭代机制与双模切换逻辑的设计细节,同时参考文中列举的相关研究方向拓展应用场景,强化对数值鲁棒性与系统稳定性之间平衡的理解。
### 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