贪心算法（Greedy Algorithms）

贪心算法是一种逐步构建解决方案的算法，每一步都选择当前状态下最优的局部选项（即“贪心选择”），以期望最终获得全局最优解。贪心算法常用于解决最优化问题。

核心思想

1. 贪心选择性质
   在每一步选择中，通过选择当前的局部最优解，能够保证最终得到的解是全局最优解。

2. 无后效性（No Backtracking）
   当前步骤的选择不会影响之后的选择，即一个问题的解决可以通过局部的选择逐步逼近全局最优。

3. 最优子结构性质
   一个问题的全局最优解可以通过其子问题的最优解组合得到。

贪心算法的一般步骤

1. 问题分解：将问题分解为若干个子问题。
2. 选择策略：为每一步定义贪心选择规则（如最大化或最小化）。
3. 验证解的可行性：每一步选定的解需满足问题的约束条件。
4. 检查最优性：选择的局部解是否能保证全局最优。
5. 重复直到完成：重复贪心选择直至问题结束。

常见应用场景

1. 活动选择问题（Activity Selection Problem）
   给定多个活动的开始和结束时间，选择最大数量的活动使得它们互不重叠。

2. 背包问题（Knapsack Problem, 分数背包）
   在分数背包问题中，按单位重量价值排序，并优先选择单位价值最高的物品。

3. 最小生成树（Minimum Spanning Tree）

   • Prim 算法
   • Kruskal 算法

4. 最短路径问题（Shortest Path Problem）

   • Dijkstra 算法

5. 哈夫曼编码（Huffman Encoding）
   用于生成最优前缀编码，减少数据压缩的存储空间。

优点

1. 简单直观：易于实现，且解决问题的过程清晰。
2. 高效：通过贪心选择，通常只需线性或接近线性的时间复杂度。
3. 适用范围广：许多经典问题都能用贪心算法求解。

缺点

1. 局部最优≠全局最优
   在某些问题中，贪心算法无法保证全局最优解。
   • 例如：0-1 背包问题的全局最优解通常无法通过贪心法获得。
2. 适用性有限
   只有具有最优子结构性质和贪心选择性质的问题才能用贪心算法。

代码示例：活动选择问题

给定活动的开始和结束时间，选择最多数量的活动，使其不重叠。

def activity_selection(start_times, end_times):
    activities = sorted(zip(start_times, end_times), key=lambda x: x[1])  # 按结束时间排序
    selected = []
    last_end_time = 0

    for start, end in activities:
        if start >= last_end_time:  # 当前活动的开始时间不早于上一个选择活动的结束时间
            selected.append((start, end))
            last_end_time = end

    return selected

# 示例
start_times = [1, 3, 0, 5, 8, 5]
end_times = [2, 4, 6, 7, 9, 9]
result = activity_selection(start_times, end_times)
print("选择的活动：", result)

运行结果 

选择的活动： [(1, 2), (3, 4), (5, 7), (8, 9)]

总结

贪心算法通过逐步构建解决方案，在每一步都选择当前状态下的最优选项，是解决许多经典最优化问题的强大工具。但在应用贪心算法时，需要验证问题是否满足最优子结构和贪心选择性质，否则可能无法得到正确结果。