文章目录
- 一、贪心算法的基本概念
- 贪心算法的适用场景
- 二、经典问题及其 JavaScript 实现
- 1. 零钱兑换问题
- 2. 活动选择问题
- 3. 分配问题
- 三、贪心算法的应用
- 四、总结
贪心算法（Greedy Algorithm）是一种逐步构建解决方案的方法。在每一步选择中，贪心算法总是选择在当前看来最优的选择，希望通过这些局部最优选择最终能构建出全局最优解。贪心算法的特点是简单高效，但它并不总能保证得到最优解。
一、贪心算法的基本概念
贪心算法的核心思想是每一步都选择当前最优的决策，不考虑未来的影响。贪心算法的基本步骤通常包括以下几个：
- 选择：选择当前最优的选项。
- 验证：验证当前选择是否可行（通常包括是否满足约束条件）。
- 构建：将当前选择加入到最终的解决方案中。
贪心算法的适用场景
贪心算法通常适用于以下场景：
- 最小生成树：如Kruskal和Prim算法。
- 最短路径问题：如Dijkstra算法。
- 区间调度问题：如选择最多的不重叠区间。
二、经典问题及其 JavaScript 实现
1. 零钱兑换问题
假设我们有几种不同面值的硬币，1元、2元和5元。我们希望用最少数量的硬币来凑出某个金额。
问题描述：给定不同面值的硬币和一个总金额，求最少数量的硬币。
/*** 求最少数量的硬币组合* @param {number[]} coins - 硬币面值数组* @param {number} amount - 总金额* @returns {number} - 最少硬币数量，如果无法凑出总金额返回 -1*/
function coinChange(coins, amount) {// 硬币面值从大到小排序coins.sort((a, b) => b - a);let count = 0;for (let coin of coins) {// 尽量使用当前面值最大的硬币let num = Math.floor(amount / coin);count += num;amount -= num * coin;// 如果总金额为 0，直接返回if (amount === 0) return count;}// 如果无法凑出总金额，返回 -1return -1;
}// 示例：用1元、2元和5元凑出11元的最少硬币数量
console.log(coinChange([1, 2, 5], 11)); // 输出 3 (5 + 5 + 1)
2. 活动选择问题
假设我们有一组活动，每个活动有开始时间和结束时间。我们希望选择尽可能多的活动，使得它们互不重叠。
问题描述：给定一组活动，选择尽可能多的不重叠活动。
/*** 求最多的不重叠活动数量* @param {number[][]} activities - 活动的开始和结束时间数组* @returns {number} - 最多不重叠活动数量*/
function maxActivities(activities) {// 按照活动结束时间排序activities.sort((a, b) => a[1] - b[1]);let count = 0;let end = 0;for (let activity of activities) {if (activity[0] >= end) {// 选择当前活动count++;end = activity[1];}}return count;
}// 示例：选择最多的不重叠活动
console.log(maxActivities([[1, 3], [2, 4], [3, 5], [0, 6], [5, 7], [8, 9], [5, 9]]));
// 输出 4 (选择活动 [1, 3], [3, 5], [5, 7], [8, 9])
3. 分配问题
假设我们有一组任务和一组工人，每个工人能完成的任务数量有限。我们希望尽可能多地完成任务。
问题描述：给定任务和工人的能力，尽可能多地分配任务。
/*** 求最多分配任务数量* @param {number[]} tasks - 任务难度数组* @param {number[]} workers - 工人能力数组* @returns {number} - 最多分配任务数量*/
function maxTaskAssignment(tasks, workers) {// 任务和工人分别排序tasks.sort((a, b) => a - b);workers.sort((a, b) => a - b);let taskIndex = 0;let workerIndex = 0;let count = 0;while (taskIndex < tasks.length && workerIndex < workers.length) {if (workers[workerIndex] >= tasks[taskIndex]) {// 分配任务给当前工人count++;taskIndex++;}workerIndex++;}return count;
}// 示例：尽可能多地分配任务
console.log(maxTaskAssignment([1, 2, 3], [3, 2, 1])); // 输出 3 (每个工人完成一个任务)
三、贪心算法的应用
贪心算法在实际开发中有广泛的应用，常见的应用场景包括：
- 图算法：最小生成树、最短路径问题。
- 活动选择：选择最多的不重叠活动。
- 任务分配：将任务尽可能多地分配给工人。
- 区间覆盖：用最少数量的区间覆盖所有点。
四、总结
贪心算法是一种通过局部最优选择构建全局最优解的方法。虽然它不总能保证得到最优解，但在许多实际问题中表现良好。通过理解和应用贪心算法，我们可以有效地解决许多复杂的优化问题。希望通过本文的介绍，大家能够更好地理解和应用贪心算法。