跳躍遊戲 ii
貪心演算法可以理解為一種特殊的動態規劃為題，擁有一些更加特殊的性質，可以進一步降低動態規劃演算法的時間複雜度。
來看幾道題目熟悉一下這種「不斷尋求區域性最優」的演算法。
輸入乙個非負整數陣列nums，陣列元素nums[i]表示的是：如果你站在位置 i ，最多能夠往前跳幾步。
現在你站在第乙個位置nums[0]，試問你能否跳到陣列的最後乙個位置?
例：[1,2,3,4,5]，可以
[1,2,0,0,4]，不行
這題相對比較簡單一些吧，當然不要去用回溯，用回溯的話時間複雜度太高。
成功的方式太多了，但是失敗的方式只有乙個：有足夠多的0橫亙在其中，導致不論怎麼努力就是跳不過去。
我們哪幾個栗子來試一下吧：
[
0,····]
//點點點的意思是隨便你填什麼數字都無所謂了[1
,2,1
,0,···][2
,0,0
,···]
//還有啥特例嗎？
第乙個栗子：在下標為0的時候遇到了絕望的0，從下標為-1的地方為此前能前進的最大步數1，無法跨越，終結。
第二個栗子：在下標為3的時候遇到了絕望的0，從下標為1的地方獲得了此前能前進的最大步數2，無法跨越，失敗。
第三個栗子：在下標為2的時候遇到了絕望的0，從下標為0的地方獲得了此前能前進的最大步數2，無法跨越，失敗。
這三個栗子中，我們能提取出什麼有效的資訊？
0
-（-1） =13
-1=2
2-0=
2
還有呢？為什麼不變通一下，比如說例2中，不通過下標為2的點去中轉呢？因為中轉也無效啊。
那就是說我們要去嘗試著中轉。
這樣講可能會有點繞啊，我把例2改一下：[1,2,2,0]，這不就活了嗎！
拿兩個例2來比對一下：
（以flag紀錄當前能夠到達的最遠距離）
[1,
2,1,
0,···]
//下標0最多到下標1，flag = 1；下標1最多到下標3，flag = 3；下標2最多到下標3，flag = 3；下標3，flag = 3；卒[1
,2,2
,0]//下標0：flag = 1；下標1：flag = 3；下標2：flag = 4
所以，我們寫出**：
bool
canjump
(vector<
int>
& nums)
return farthest >= n-1;
}
看著好眼熟啊，好像前面寫過一道這樣的題。換硬幣是吧。
去遞迴選取後續跳法裡面的最優，屬於一種：從後向前的解法，可以理解為從底層開始層序遍歷一棵樹。只不過我們後來通過備忘錄對這棵樹進行了剪枝，不然真的不忍直視啊。
貪心演算法是什麼？貪心演算法會選擇當下最有潛力的一步。
舉個例子：[2,3,1,2,5,1]
當你現在在下標0的位置，你可以跳兩步。動歸的話會遞迴去算這兩步到最終結果的最優步數，但是貪心演算法不這樣。
貪心演算法是每次盡可能多跳嗎？nonono，選擇當下最有潛力的：在座標1的位置，你有三個選擇；在座標2的位置，你只有乙個選擇，所以貪心演算法會讓你選擇跳到座標1。這就是貪心演算法的區域性最優（不要奇思妙想啥反例，要用貪心演算法，就要承擔它的失誤率）。
接下來，我們來寫**：
貪心演算法 C
貪心演算法 又稱貪婪演算法 是指，在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，他所做出的是在某種意義上的區域性最優解。貪心演算法並不保證會得到最優解，但是在某些問題上貪心演算法的解就是最優解。要會判斷乙個問題能否用貪心演算法來計算。第乙個問題 找零 假設商店老闆...
演算法 貪心演算法
把乙個複雜問題分解為一系列較為簡單的區域性最優選擇，每乙個選擇都是對當前解的乙個擴充套件，知道獲得問題的完整解。在解決問題的策略上目光短淺，只根據當前已有的資訊做出選擇，而且一旦做出了選擇，不管將來有什麼結果這個選擇都不會改變。換言之，貪心法並不是從整體最優考慮，它所做出的選擇只是在某種意義上的區域...
演算法 貪心演算法
集合覆蓋問題 旅行商問題等都屬於np完全問題，在數學領域上並沒有快速得到最優解的方案，非常適合用貪婪演算法。判斷方法 1.元素較少時，一般執行速度很快，但隨著元素數量增多，速度會變得非常慢 2.涉及到需要計算比較 所有的組合 情況的通常是np完全問題 3.無法分割成小問題，必須考慮各種可能的情況。這...