网站建设前 沟通内容天津建站网

贪心算法：每一步都选择当前最优解，期望通过局部最优达到全局最优。

动态规划：通过分解问题为子问题，存储并重用子问题的解，避免重复计算。

最简单的JS ACM代码举例

贪心算法：找零问题
 

function greedyCoinChange(coins, amount) {coins.sort((a, b) => b - a); // 从大到小排序let result = [];for (let coin of coins) {while (amount >= coin) {result.push(coin);amount -= coin;}}return result;
}console.log(greedyCoinChange([1, 5, 10, 25], 36)); // 输出: [25, 10, 1]

为什么是while不是if?
 

while (amount >= coin) 

 这里的意思是：只要当前金额 amount 大于或等于当前硬币面值 coin，就一直使用当前面值的硬币，直到金额小于当前硬币面值为止。换句话说，while 会尽可能多地使用当前面值的硬币来减少金额。

if (amount >= coin) 

这里的意思是：如果当前金额 amount 大于或等于当前硬币面值 coin，就使用一枚硬币，将硬币加入结果数组，并减少金额。但是，if 只会执行一次判断，也就是说，它只会尝试使用一枚当前面值的硬币，然后就跳过当前硬币，转而处理下一个硬币。 

动态规划：斐波那契数列
 

function fibonacci(n) {let dp = [0, 1];for (let i = 2; i <= n; i++) {dp[i] = dp[i - 1] + dp[i - 2];}return dp[n];
}console.log(fibonacci(10)); // 输出: 55

区别总结

• 贪心算法：每一步选择当前最优，不保证全局最优。

• 动态规划：通过存储子问题的解，确保全局最优。

 贪心算法from top to down, 动态规划 from bottom to up

---

为什么用贪心算法？

1. 简单高效：

   • 贪心算法通常实现简单，代码量少，运行速度快。

   • 动态规划需要存储子问题的解，空间和时间复杂度较高。

2. 适用于特定问题：

   • 对于一些特殊问题（如硬币面额是倍数关系），贪心算法可以得到全局最优解。

   • 例如，如果硬币面额是 [1, 5, 10, 25]，贪心算法在找零问题中总是最优的。

3. 近似解：

   • 当问题规模很大时，动态规划可能无法在合理时间内求解，而贪心算法可以快速给出一个近似解。

4. 实际问题中的权衡：

   • 在某些实际场景中，全局最优解并不是必须的，一个接近最优的解已经足够。

---

为什么用动态规划？

1. 保证全局最优：

   • 动态规划通过分解问题为子问题，并存储子问题的解，确保找到全局最优解。

2. 适用范围广：

   • 动态规划可以解决更复杂的问题，尤其是当贪心算法无法保证最优解时。

3. 避免重复计算：

   • 动态规划通过记忆化（存储子问题的解）避免了重复计算，提高了效率。

---

贪心算法 vs 动态规划：找零问题

以找零问题为例：

• 贪心算法：

  • 简单高效，但可能不是全局最优。

  • 例如，硬币面额为 [1, 3, 4]，目标是 6：

    • 贪心算法返回 [4, 1, 1]（3 个硬币）。

    • 实际最优解是 [3, 3]（2 个硬币）。

• 动态规划：

  • 保证全局最优，但实现复杂。

  • 对于同样的问题，动态规划会返回 [3, 3]。

---

什么时候用贪心算法？

1. 问题具有贪心选择性质：

   • 即局部最优解能导致全局最优解。

   • 例如，硬币面额是倍数关系时，贪心算法总是最优。

2. 问题规模大，需要快速求解：

   • 动态规划可能无法在合理时间内求解，而贪心算法可以快速给出一个解。

3. 近似解足够：

   • 当全局最优解不是必须时，贪心算法是一个很好的选择。

动态规划的找零问题实现

以下是动态规划的找零问题实现，保证全局最优：
 

function dpCoinChange(coins, amount) {let dp = new Array(amount + 1).fill(Infinity); // 初始化 dp 数组dp[0] = 0; // 金额为 0 时需要 0 个硬币for (let i = 1; i <= amount; i++) {for (let coin of coins) {if (i - coin >= 0) {dp[i] = Math.min(dp[i], dp[i - coin] + 1);}}}return dp[amount] === Infinity ? -1 : dp[amount]; // 返回最小硬币数
}console.log(dpCoinChange([1, 3, 4], 6)); // 输出: 2 (最优解是 [3, 3])