贪心算法

1、贪心算法是指，在对问题求解时，总是做出在当前看来是最好的选择，就能得到问题的答案。
2、贪心算法需要充分挖掘题目中条件，没有固定的模式，解决有贪心算法需要一定的直觉和经验。
3、贪心算法不是对所有问题都能得到整体最优解。能使用贪心算法解决的问题具有 无后效性，即某阶段状态一旦确定，就不收后阶段决策的影响

1、分发饼干问题（力扣455）

假设你是一位很棒的家长，想要给你的孩子们一些小饼干。但是，每个孩子最多只能给一块饼干。

对每个孩子 i，都有一个胃口值 g[i]，这是能让孩子们满足胃口的饼干的最小尺寸；并且每块饼干 j，都有一个尺寸 s[j] 。如果 s[j]>= g[i]，我们可以将这个饼干 j 分配给孩子 i ，这个孩子会得到满足。你的目标是尽可能满足越多数量的孩子，并输出这个最大数值。

> 示例:

输入: g = [1,2,3], s = [1,1]
输出: 1
解释: 虽然你有两块小饼干，由于他们的尺寸都是1，你只能让胃口值是1的孩子满足。 所以你应该输出1。

def hand_cookies(g:list, s:list):  # g-->胃口，s-->饼干尺寸g.sort()   # 将胃口值和并饼干尺寸按升序排序s.sort()child, cookie = 0, 0ans = 0while child < len(g) and cookie < len(s):if g[child] <= s[cookie]:  # 如果剩下的最小的饼干能满足剩下胃口最小的孩子ans += 1child += 1   # 移到下一个孩子cookie += 1   # 满足当前胃口，该饼干就已分配，到下一个；没满足当前胃口，此饼干作废，也到下一个饼干return ans

思路分析
1、if g[child] <= s[cookie]: child += 1 # 如果剩下的最小的饼干能满足剩下胃口最小的孩子，此孩子得到满足，轮到下一个孩子
2、cookie += 1 # 无论当前饼干是否满足，都移动到下一个

2、无重叠区间(力扣435)

给定一个区间的集合 intervals ，其中 intervals[i] = [starti, endi] 。返回 需要移除区间的最小数量，使剩余区间互不重叠 。

示例 1:

输入: intervals = [[1,2],[2,3],[3,4],[1,3]]
输出: 1
解释: 移除 [1,3]后，剩下的区间没有重叠。

示例 2:

输入: intervals = [ [1,2], [1,2], [1,2] ]
输出: 2
解释: 你需要移除两个 [1,2]
来使剩下的区间没有重叠。

def eraseOverlapInterval(intervals):if not intervals:     # 空区间return 0# 将区间按结束值排序。因为区间结束越早，留给后面区间的空间越多，越有可能得到最多数量的无重复区间intervals = sorted(intervals,key=lambda x : x[1])ans = 0end = intervals[0][1]    # 初始化end为第一个元素的end值for i in range(1,len(intervals)):# 如果当前起始值< 前一个的end值，那么当前区间会被踢剔除。为什么一定剔除这个呢？有没有可能剔除的时此区间之后的？# ---不会，因为当前区间时后面区间中结束值最小的。if end > intervals[i][0]:ans += 1else:end = intervals[i][1]return ans

3、分发糖果（力扣135）

n 个孩子站成一排。给你一个整数数组 ratings 表示每个孩子的评分。
你需要按照以下要求，给这些孩子分发糖果：
1）每个孩子至少分配到 1 个糖果。
2）相邻两个孩子评分更高的孩子会获得更多的糖果。
3）请你给每个孩子分发糖果，计算并返回需要准备的 最少糖果数目 。

示例 1：

输入：ratings = [1,0,2]
输出：5
解释：你可以分别给第一个、第二个、第三个孩子分发 2、1、2 颗糖果。

示例 2：

输入：ratings = [1,2,2]
输出：4
解释：你可以分别给第一个、第二个、第三个孩子分发 1、2、1 颗糖果。
第三个孩子只得到 1 颗糖果，这满足题面中的两个条件。

 def candy(ratings):k = len(ratings)ans = [1]*kfor i in range(1,k):if ratings[i] > ratings[i-1]:    # 右比左大ans[i] = ans[i-1] + 1for i in range(k-2,-1,-1):if ratings[i] > ratings[i+1]:    # 左比右大ans[i] = max(ans[i+1]+1, ans[i])return sum(ans)

思路分析
先从左往右遍历，逐步保证，右边比左边分数高的，获得更多糖果。再从左往右遍历。

ans[i] = max(ans[i+1]+1, ans[i])

这里注意，要取最大值。因为有可能，左边已经比右边大了

4、种花问题（力扣605）

假设有一个很长的花坛，一部分地块种植了花，另一部分却没有。可是，花不能种植在相邻的地块上，它们会争夺水源，两者都会死去。
给你一个整数数组 flowerbed 表示花坛，由若干 0 和 1 组成，其中 0 表示没种植花，1 表示种植了花。另有一个数 n ，能否在不打破种植规则的情况下种入 n 朵花？能则返回 true ，不能则返回 false。

示例

输入：flowerbed = [1,0,0,0,1], n = 1 输出：true

def canPlaceFlower(flowerbed: List[int],n:int) -> bool:flowerbed = [0] + flowerbed + [0]count = 0for i in range(1,len(flowerbed)-1):if flowerbed[i-1] == flowerbed[i] == flowerbed[i+1]:flowerbed[i] = 1count += 1if count >= n:return Truereturn False

思路分析
1、flowerbed = [0] + flowerbed + [0]
这里是为了排除边界情况的影响

5、用最少数量的箭引爆气球（力扣452）

在二维空间中有许多球形的气球。对于每个气球，提供的输入是水平方向上，气球直径的开始和结束坐标。由于它是水平的，所以纵坐标并不重要，因此只要知道开始和结束的横坐标就足够了。开始坐标总是小于结束坐标。

一支弓箭可以沿着 x 轴从不同点完全垂直地射出。在坐标 x 处射出一支箭，若有一个气球的直径的开始和结束坐标为 xstart，xend，且满足 xstart ≤ x ≤ xend，则该气球会被引爆。可以射出的弓箭的数量没有限制。
弓箭一旦被射出之后，可以无限地前进。我们想找到使得所有气球全部被引爆，所需的弓箭的最小数量。

给你一个数组 points ，其中 points [i] = [xstart,xend] ，返回引爆所有气球所必须射出的最小弓箭数。

示例 ：

输入：points = [[10,16],[2,8],[1,6],[7,12]]
输出：2
解释：对于该样例，x = 6 可以射爆[2,8],[1,6] 两个气球，以及 x = 11 射爆另外两个气球

def findMinArrowShots(points:List[List[Int]])-> int:if not points:return 0points = sorted(points, key=lambda x: x[1])ans = 1end = point[0][1]for i in range(1,len(points)):if points[i][0] > end:ans += 1end = points[i][1]return ans

6、划分字母区间（力扣763）

字符串 S 由小写字母组成。我们要把这个字符串划分为尽可能多的片段，同一字母最多出现在一个片段中。返回一个表示每个字符串片段的长度的列表。

示例：

输入：S = “ababcbacadefegdehijhklij”
输出：[9,7,8]
解释：划分结果为 “ababcbaca”,“defegde”, “hijhklij”。 每个字母最多出现在一个片段中。

【思路】：先把每个字母出现的最后的位置存储起来，再遍历字符串

def partitionLabels(s):dict_ = {}for i in range(len(s)):   # 存取每个字母出现的最大索引位置dict[s[i]] = ians = []start = 0   # 要存取的是字符串片段的长度，故需要end,start两个指针end = dict_[s[0]]for i in range(len(s)):if i < end:end = max(dict_[s[i+1]], end)else:    # i >= endans.append(end - start + 1)if i+1 < len(s):end = dict_[s[i+1]]start = i+1return ans

7、买卖股票的最佳时机（力扣122）

给定一个数组 prices ，其中 prices[i] 表示股票第 i 天的价格。
在每一天，你可能会决定购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以购买它，然后在 同一天 出售。
返回 你能获得的 最大 利润 。

示例:

输入: prices = [7,1,5,3,6,4]
输出: 7
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6-3 = 3

def maxProfit(self, prices):ans = 0for i in range(1, len(prices)):if prices[i] > prices[i-1]:ans += prices[i] - prices[i-1]return ans

思路分析
1、每次保证当前解为局部最优解，从而保证得到的解是整体最优
贪心算法
2、遍历从1开始，一次比较当天与前一天利润。

8、根据身高重建队列（力扣406）

假设有打乱顺序的一群人站成一个队列，数组 people 表示队列中一些人的属性（不一定按顺序）。每个 people[i] = [hi, ki] 表示第 i 个人的身高为 hi ，前面 正好 有 ki 个身高大于或等于 hi 的人。
请你重新构造并返回输入数组 people 所表示的队列。返回的队列应该格式化为数组 queue ，其中 queue[j] = [hj, kj] 是队列中第 j 个人的属性（queue[0] 是排在队列前面的人）。

示例：

输入：people = [[7,0],[4,4],[7,1],[5,0],[6,1],[5,2]]
输出：[[5,0],[7,0],[5,2],[6,1],[4,4],[7,1]]
解释：
编号为 0 的人身高为 5 ，没有身高更高或者相同的人排在他前面。
编号为 1 的人身高为 7 ，没有身高更高或者相同的人排在他前面。
编号为 2 的人身高为 5 ，有 2 个身高更高或者相同的人排在他前面，即编号为 0 和 1 的人。
编号为 3 的人身高为 6 ，有 1 个身高更高或者相同的人排在他前面，即编号为 1 的人。
编号为 4 的人身高为 4 ，有 4 个身高更高或者相同的人排在他前面，即编号为 0、1、2、3 的人。
编号为 5 的人身高为 7 ，有 1 个身高更高或者相同的人排在他前面，即编号为 1 的人。
因此 [[5,0],[7,0],[5,2],[6,1],[4,4],[7,1]] 是重新构造后的队列。

---

def reconstructQueue(people):people = sorted(people, key = lambda x: (-x[0],x[1]))ans = []for item in people:ans.insert(item[1],item)return ans

思路分析
1、因为条件是从高往低，那么我们要先固定高的，再来插入矮的
2、创建ans，从高往低排列，身高相同时，只需要将该身高插入列表对应的位置即可。对应位置几位item[1]

9、非递减数列（力扣665）

给你一个长度为 n 的整数数组 nums ，请你判断在 最多 改变 1 个元素的情况下，该数组能否变成一个非递减数列。
我们是这样定义一个非递减数列的： 对于数组中任意的 i (0 <= i <= n-2)，总满足 nums[i] <= nums[i + 1]。

示例:

输入: nums = [4,2,3]
输出: true
解释: 你可以通过把第一个 4 变成 1 来使得它成为一个非递减数列。

def checkPossibility(nums):count = 0for i in range(1,len(nums)):if nums[i] < nums[i-1]:count += 1    # 一定要调if nums[i] >= nums[i-2] or i == 1:nums[i-1] = nums[i]else: nums[i] = nums[i-1]if count >= 2:return Falsereturn True

思路分析
要保证整个递增，则只需要保证每三个连续的元素是递增的即可。
因为之多改变一个元素，我们初始化一个count用于记录改变的次数。

只移动一个元素，由以上三种关系。
1）nums[i-2] < nums[i]，这时，看上去，我们选择将nums[i-1] = nums[i]或者nums[i] = nums[i-2]似乎都是可以的。但是，我们从左往右遍历，前面的元素值越小，留给后面的元素的范围就越大，就越有可能满足“非递减数列”的要求。因此，这种情况，我们应该令nums[i-1] = nums[i]

2）nums[i-2] >nums[i]，这种情况我们只能让nums[i] = nums[i-1]，因为只有这样满足要求

3）边界情况分析：因为是从左往右去元素，我们只需要考虑左边界。
即只用考虑nums[0] > nums[1]的情况，因为要尽可能给后面的元素更大的范围，所以我们选择将值大的调小，与第一种情况1）道理相同。
反例：nums = [4,1,2,3]，就只能把nums[0]调小，使其与nums[1]相等。