贪心
正如这个算法的名字一样,解决题目的时候用一种贪婪的思想来解决问题,比如说我们要从一堆钞票中取3张,并且总和要最高,所以我们在遍历这堆钞票价值的时候,尽可能地选择炒面面值最高的,这样就得到了最终解。所以,贪心的思路就是利用每一个阶段的最优解,最终达到全局最优解。下面的题目是一些利用贪心解决的算法问题,题目列表来源代码随想录入口
1.序列问题
1.1摆动序列
解法一:贪心
class Solution {
public:
int wiggleMaxLength(vector<int>& nums) {
if(nums.size() <= 1) return nums.size();
int curDiff = 0; //当前一对差值
int preDiff = 0; //前一对差值
int result = 1; //记录峰值个数,序列默认序列最右边有一个峰值
for(int i = 0; i < nums.size() - 1; i++){
curDiff =nums[i + 1] - nums[i];
//出现峰值
if((preDiff <= 0 && curDiff > 0) || (preDiff >=0 && curDiff < 0)){
result++;
preDiff = curDiff;
}
}
return result;
}
};
解法二:动态规划
class Solution {
public:
//动态规划实现:dp[i][0]表示第i个数作为山峰的摆动子序列的最长长度
//动态规划实现:dp[i][1]表示第i个数作为山谷的摆动子序列的最长长度
int dp[1005][2];//这个大小是根据题目给出数值的范围来定义的
int wiggleMaxLength(vector<int>& nums) {
memset(dp, 0, sizeof dp);
dp[0][0] = dp[0][1] = 1;
for(int i = 1; i < nums.size(); i++){
dp[i][0] = dp[i][1] = 1;
for(int j = 0; j < i; j++){
if(nums[j] > nums[i]) dp[i][1] = max(dp[i][1], dp[j][0] + 1);
}
for(int j = 0; j < i; j++){
if(nums[j] < nums[i]) dp[i][0] = max(dp[i][0], dp[j][1] + 1);
}
}
return max(dp[nums.size() - 1][0], dp[nums.size() - 1][1]);
}
};
1.2单调递增的数字
这个题目如果我们暴力循环求解的话,会出现超时报错,所以我们采用构建的方式的,利用单调递增且数字尽可能大这两个条件来构建我们的答案数字。
实现思路:
例如:98,一旦出现strNum[i - 1] > strNum[i]的情况(非单调递增),首先想让strNum[i - 1]–,然后strNum[i]给为9,这样这个整数就是89,即小于98的最大的单调递增整数
从前向后遍历的话,遇到strNum[i - 1] > strNum[i]的情况,让strNum[i - 1]减一,但此时如果strNum[i - 1]减一了,可能又小于strNum[i - 2]。
这么说有点抽象,举个例子,数字:332,从前向后遍历的话,那么就把变成了329,此时2又小于了第一位的3了,真正的结果应该是299。
那么从后向前遍历,就可以重复利用上次比较得出的结果了,从后向前遍历332的数值变化为:332 -> 329 -> 2998
class Solution {
public:
int monotoneIncreasingDigits(int n) {
string strNum = to_string(n);
//flag用来标记赋值9从哪开始
//设置为这个默认值,为了防止第二个for循环在flag没有被赋值的情况下执行
int flag = strNum.size();
for(int i = strNum.size() - 1; i > 0; i--){
if(strNum[i - 1] > strNum[i]){