贪心算法详解与实现指南

1. 什么是贪心算法？

贪心算法（Greedy Algorithm）是一种在每一步选择中都采取当前状态下最好或最优（即最有利）的选择，从而希望导致全局最优解的算法设计范式。它并不从整体上考虑问题，而是做出在当下看来最好的决策。

简单来说，贪心算法遵循“短视”原则：走一步看一步，只求眼前最好，绝不回头。

⚠️ 贪心算法并不总能得到全局最优解，但针对具有“贪心选择性质”和“最优子结构”的问题，它能高效地得出正确答案。

2. 贪心算法的核心特性

与动态规划不同，贪心算法不保存所有子问题的解，也不进行回溯。它通常更加简单、高效。

3. 贪心算法的一般步骤

1. 问题分解：将原问题分解为若干个子问题。

2. 贪心策略：确定在当前状态下如何做出局部最优选择（依据某个度量标准）。

3. 求解子问题：每做一次贪心选择，问题规模缩小，继续对剩余子问题应用相同策略。

4. 合并解：将所有局部最优解合并成原问题的解。

4. 经典贪心问题与实现

下面通过三个经典问题来演示贪心算法的实现。

4.1 活动选择问题（区间调度）

问题：有 n 个活动，每个活动有起始时间 s[i] 和结束时间 f[i]。同一时间只能参加一个活动，问最多能参加多少个活动？

贪心策略：每次选择结束时间最早且与已选活动不冲突的活动。

 

def activity_selection(activities):
    """
    activities: list of (start, end)
    返回最大可参加的活动数量及具体活动列表
    """
    # 按结束时间升序排序
    activities.sort(key=lambda x: x[1])
    
    selected = []
    last_end = -float('inf')
    
    for s, e in activities:
        if s >= last_end:  # 不冲突
            selected.append((s, e))
            last_end = e
    
    return selected

# 示例
acts = [(1, 4), (3, 5), (0, 6), (5, 7), (3, 9), (5, 9), (6, 10), (8, 11), (8, 12), (2, 14), (12, 16)]
result = activity_selection(acts)
print("选中的活动:", result)  
print("最多活动数量:", len(result))