C++实现贪心算法（Greedy Algorithm）的应用场景示例

目录

• 一、贪心算法的核心定义与本质
• 二、贪心算法的适用条件
• 1. 贪心选择性质
• 2. 最优子结构性质
• 3. 经典反例：错误的贪心策略
• 三、贪心算法的解题步骤
• 四、经典问题与C++实现
• 1. 活动选择问题（最多不冲突活动）
• 问题描述
• 贪心策略
• C++实现
• 输出结果
• 2. 哈夫曼编码（最优前缀编码）
• 问题描述
• 贪心策略
• C++实现
• 原理说明
• 3. Dijkstra算法（单源最短路径）
• 问题描述
• 贪心策略
• C++实现
• 输出结果
• 4. Kruskal算法（最小生成树）
• 问题描述
• 贪心策略
• C++实现
• 原理说明
• 五、贪心算法与动态规划的对比
• 六、贪心算法的优缺点与应用场景
• 1. 优点
• 2. 缺点
• 3. 实际应用
• 七、总结

在计算机科学和数学优化领域，算法的选择往往决定了问题解决的效率和质量。作为一名后端开发者，掌握各种算法及其适用场景是提升代码质量和性能的关键。贪心算法作为一种直观且在特定问题上高效的解决方案，在实际开发中有着广泛的应用。

贪心算法的核心思想是"贪婪"地选择当前看起来最优的解决方案，而不考虑全局。这种方法在某些问题上能够得到全局最优解，但在另一些问题上可能只能得到局部最优解。理解贪心算法的工作原理、适用条件和局限性，对于我们正确选择和应用算法至关重要。

一、贪心算法的核心定义与本质

贪心算法是一种在每一步选择中都采取当前状态下最优（即局部最优）的选择，以期最终获得全局最优解的启发式算法。其核心思想可概括为：“走一步看一步，每步都选最好的，不回头”。

与动态规划（DP）需要存储子问题的最优解并回溯不同，贪心算法不依赖历史决策——它通过每一步的局部最优积累，直接推导全局最优。这种“uPlIB短视”的特性使其实现简单、效率极高，但也决定了它并非适用于所有问题，必须满足严格的前提条件。

二、贪心算法的适用条件

判断一个问题能否用贪心算法解决，必须同时满足以下两个核心性质，缺一不可：

1. 贪心选择性质

每一步的局部最优选择，能够导向全局最优解。即：在选择当前最优解时，不需要考虑后续的决策，其选择结果不会影响后续子问题的最优性。

• 示例：活动选择问题中，“选择最早结束的活动”这一局部最优选择，能为后续留下更多时间选择其他活动，最终导向全局最优（最多活动数）。
• 反例：0-1背包问题中，“选择价值密度最高的物品”无法保证全局最优（可能因剩余空间无法容纳其他高价值物品，导致http://www.devze.com总价值更低）。

2. 最优子结构性质

全局最优解中必然包含其子问题的最优解android。即：问题的最优解可以分解为若干个子问题的最优解的组合。

• 示例：Dijkstra算法中，“从源点到节点v的最短路径”必然包含“从源点到路径上某中间节点u的最短路径”——若存在更短的源点→u路径，替换后可得到更短的源点→v路径，与全局最优矛盾。

3. 经典反例：错误的贪心策略

以“找零钱问题”为例：

若硬币面额为[1,3,4]，需找6元。直觉贪心策略（选最大面额优先）会得到4+1+1=6（3枚硬币），但最优解是3+3=6（2枚硬币）。此时“最大面额优先”的贪心策略不满足“贪心选择性质”，导致全局最优失效。

三、贪心算法的解题步骤

使用贪心算法解决问题需遵循固定流程，核心是策略设计与正确性证明：

1. 问题建模：将实际问题抽象为“选择问题”，明确目标函数（如“最多活动数”“最短路径和”）和约束条件（如“活动不冲突”“边权非负”）。
2. 设计贪心策略：确定每一步如何选择“局部最优”。常见策略包括：按结束时间排序、按价值密度排序、按边权排序等。
3. 证明策略正确性：通过数学归纳法或反证法，验证策略满足“贪心选择性质”和“最优子结构”。
4. 编码实现：根据策略选择合适的数据结构（如排序、优先队列、并查集），处理边界情况（如空输入、极端值）。
5. 测试优化：验证结果正确性，优化时间复杂度（如用快排替代冒泡排序）。

四、经典问题与C++实现

贪心算法的应用场景高度集中，以下为4类核心问题的详细实现：

1. 活动选择问题（最多不冲突活动）

问题描述

给定n个活动，每个活动有开始时间start[i]和结束时间end[i]，选择最多不重叠的活动集合。

贪心策略

按活动的结束时间升序排序，优先选择最早结束的活动——该选择能为后续活动预留最多时间，最大化总活动数。

C++实现

#include <IOStream>
#include <vector>
#include <algorithm>
using namespace std;

// 定义活动结构体
struct Activity {
    int start;  // 开始时间
    int end;    // 结束时间
};

// 排序规则：按结束时间升序
bool compare(const Activity& a, const Activity& b) {
    return a.end < b.end;
}

// 选择最多不冲突活动
vector<Activity> selectMaxActiphpvities(vector<Activity>& activities) {
    vector<Activity> result;
    if (activities.empty()) return result;

    // 1. 按结束时间排序
    sort(activities.begin(), activities.end(), compare);

    // 2. 选择第一个活动（最早结束）
    result.push_back(activities[0]);
    int lastEnd = activities[0].end;

    // 3. 遍历后续活动，选择不冲突的（开始时间>=上一个结束时间）
    for (int i = 1; i < activities.size(); i++) {
        if (activities[i].start >= lastEnd) {
            result.push_back(activities[i]);
            lastEnd = activities[i].end;  // 更新最后一个活动的结束时间
        }
    }
    return result;
}

int main() {
    vector<Activity> activities = {
        {1, 4}, {3, 5}, {0, 6}, {5, 7}, {3, 9}, {5, 9}, {6, 10}, {8, 11}, {8, 12}, {2, 14}, {12, 16}
    };

    vector<Activity> selected = selectMaxActivities(activities);

    // 输出结果
    cout << "选择的活动（开始时间, 结束时间）：" << endl;
    for (auto& act : selected) {
        cout << "(" << act.start << ", " << act.end << ")" << endl;
    }
    cout << "最多可选择 " << selected.size() << " 个活动" << endl;
    return 0;
}

输出结果

选择的活动（开始时间, 结束时间）：
(1, 4)
(5, 7)
(8, 11)
(12, 16)
最多可选择 4 个活动

2. 哈夫曼编码（最优前缀编码）

问题描述

给定字符的频率分布（如a:5, b:9, c:12, d:13），构造前缀编码（无编码是另一编码的前缀），使总编码长度（频率×编码长度之和）最小。

贪心策略

1. 构建最小堆（优先队列），存储所有字符的频率；
2. 每次取出两个频率最小的节点，合并为一个新节点（频率为两节点之和）；
3. 将新节点入堆，重复步骤2，直到堆中只剩一个节点（哈夫曼树的根）；
4. 树的左分支记为0，右分支记为1，叶子节点的路径即为对应字符的编码。

C++实现

#include <iostream>
#include <queue>
#include <vector>
using namespace std;

// 计算哈夫曼编码的总长度
int huffmanCodeTotalLength(const vector<int>& frequencies) {
    // 最小堆：priority_queue<Type, Container, Compare>
    priority_queue<int, vector<int>, greater<int>> minHeap;

    // 1. 将所有频率入堆
    for (int freq : frequencies) {
        minHeap.push(freq);
    }

    int totalLength = 0;  // 总编码长度

    // 2. 合并节点，直到堆中只剩1个节点
    while (minHeap.size() > 1) {
        // 取出两个最小频率
        int first = minHeap.top();
        minHeap.pop();
        int second = minHeap.top();
        minHeap.pop();

        // 合并后的新节点频率
        int merged = first + second;
        totalLength += merged;  // 合并节点的频率即编码长度贡献

        // 新节点入堆
        minHeap.push(merged);
    }

    return totalLength;
}

int main() {
    // 字符频率：a:5, b:9, c:12, d:13, e:16, f:45
    vector<int> frequencies = {5, 9, 12, 13, 16, 45};

    int total = huffmanCodeTotalLength(frequencies);
    cout << "哈夫曼编码的总长度：" << total << endl;  // 输出：224
    return 0;
}

原理说明

总长度224的计算逻辑：

合并过程为5+9=14（贡献14）→12+13=25（贡献25）→14+16=30（贡献30）→25+30=55（贡献55）→45+55=100（贡献100），总和14+25+30+55+100=224。

3. Dijkstra算法（单源最短路径）

问题描述

在带非负权的无向/有向图中，找到从源点S到所有其他节点的最短路径长度。

贪心策略

1. 用dist[]数组记录源点到各节点的当前最短距离（初始为INF，dist[S]=0）；
2. 构建最小堆，存储（当前最短距离，节点），初始将（0, S）入堆；
3. 每次取出堆顶节点u（当前距离源点最近的未确定节点），标记为“已确定”；
4. 遍历u的所有邻接节点v，执行松弛操作：若dist[v] > dist[u] + 边权w，则更新dist[v]，并将（dist[v], v）入堆；
5. 重复步骤3-4，直到堆为空。

C++实现

#include <iostream>
#include <vector>
#include <queue>
#include <climits>
#include <stdexcept>  // 用于边界校验异常
using namespace std;

const int INF = INT_MAX;

vector<int> dijkstra(int n, int source, const vector<vector<pair<int, int>>>& adj) {
    // 边界校验：源点合法性
    if (source < 0 || source >= n) {
        throw invalid_argument("源点超出节点范围！");
    }

    vector<int> dist(n, INF);
    dist[source] = 0;

    // 最小堆：(当前距离, 节点)
    priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> minHeap;
    minHeap.push({0, source});

    while (!minHeap.empty()) {
        auto [currentDist, u] = minHeap.top();  // C++17结构化绑定
        minHeap.pop();

         if (currentDist > dist[u]) continue;

        // 遍历u的所有邻接节点
        for (auto [v, w] : adj[u]) {
            // 松弛操作：更新dist[v]
            if (dist[v] > dist[u] + w) {
                dist[v] = dist[u] + w;
                minHeap.push({dist[v], v});
            }
        }
    }

    return dist;
}

int main() {
    int n = 6;  // 节点数（0~5）
    vector<vector<pair<int, int>>> adj(n);  // 局部邻接表，替代全局变量

    // 构建图（边：u->v，权w）
    adj[0].emplace_back(1, 2);  // emplace_back比push_back更高效（直接构造对象）
    adj[0].emplace_back(2, 4);
    adj[1].emplace_back(2, 1);
    adj[1].emplace_back(3, 7);
    adj[2].emplace_back(4, 3);
    adj[3].emplace_back(5, 1);
    adj[4].emplace_back(3, 2);
    adj[4].emplace_back(5, 5);

    int source = 0;
    try {
        vector<int> dist = dijkstra(n, source, adj);

        // 输出正确结果
        cout << "源点 " << source << " 到各节点的最短距离：" << endl;
        for (int i = 0; i < n; ++i) {
            if (dist[i] == INF) {
                cout << "到节点 " << i << "：不可达" << endl;
            } else {
                cout << "到节点 " << i << "：" << dist[i] << endl;
            }
        }
    } catch (const invalid_argument& e) {
        // 捕获边界校验异常
        cerr << "错误：" << e.what() << endl;
        return 1;
    }

    return 0;
}

输出结果

源点 0 到各节点的最短距离：
到节点 0：0
到节点 1：2
到节点 2：3（0→1→2）
到节点 3：8（0→1→2→4→3）
到节点 4：6（0→1→2→4）
到节点 5：9（0→1→2→4→3→5）

4. Kruskal算法（最小生成树）

问题描述

在无向带权图中，找到一棵连接所有节点、总边权和最小的生成树（Minimum Spanning Tree, MST）。

贪心策略

1. 将所有边按权值升序排序；
2. 用并查集（Union-Find） 维护已选节点的连通性；
3. 遍历排序后的边，若边的两个端点属于不同连通分量（不构成环），则将该边加入MST，并合并两个连通分量；
4. 重复步骤3，直到MST包含n-1条边（n为节点数）。

C++实现

#include <iostream>
#include <vector>
#include <algorithm>
using namephpspace std;

// 定义边结构体
struct Edge {
    int u;      // 起点
    int v;      // 终点
    int weight; // 边权
};

// 并查集（Union-Find）：维护连通分量
class UnionFind {
private:
    vector<int> parent;  // 父节点
    vector<int> rank;    // 秩（用于路径压缩优化）
public:
    UnionFind(int n) {
        parent.resize(n);
        rank.resize(n, 0);
        for (int i = 0; i < n; i++) {
            parent[i] = i;  // 初始父节点为自身
        }
    }

    // 查找根节点（路径压缩）
    int find(int x) {
        if (parent[x] != x) {
            parent[x] = find(parent[x]);  // 递归压缩路径
        }
        return parent[x];
    }

    // 合并两个连通分量（按秩合并）
    bool unite(int x, int y) {
        int rootX = find(x);
        int rootY = find(y);

        if (rootX == rootY) return false;  // 已在同一分量

        // 秩小的树合并到秩大的树
        if (rank[rootX] < rank[rootY]) {
            parent[rootX] = rootY;
        } else {
            parent[rootY] = rootX;
            if (rank[rootX] == rank[rootY]) {
                rank[rootX]++;
            }
        }
        return true;
    }
};

// Kruskal算法：返回MST的总边权
int kruskal(int n, vector<Edge>& edges) {
    // 1. 按边权升序排序
    sort(edges.begin(), edges.end(), [](const Edge& a, const Edge& b) {
        return a.weight < b.weight;
    });

    UnionFind uf(n);
    int mstTotal = 0;  // MST总边权
    int edgeCount = 0; // 已选边数

    // 2. 遍历边，选择不构成环的边
    for (auto& edge : edges) {
        if (uf.unite(edge.u, edge.v)) {
            mstTotal += edge.weight;
            edgeCount++;

            // MST需n-1条边，提前退出
            if (edgeCount == n - 1) break;
        }
    }

    // 若边数不足n-1，说明图不连通
    return (edgeCount == n - 1) ? mstTotal : -1;
}

int main() {
    int n = 5;  // 节点数（0~4）
    vector<Edge> edges = {
        {0, 1, 2}, {0, 3, 6}, {1, 2, 3}, {1, 3, 8}, {1, 4, 5},
        {2, 4, 7}, {3, 4, 9}
    };

    int mstTotal = kruskal(n, edges);
    if (mstTotal == -1) {
        cout << "图不连通，无法构建MST" << endl;
    } else {
        cout << "最小生成树的总边权：" << mstTotal << endl;  // 输出：16
    }
    return 0;
}

原理说明

MST的边为(0,1,2)、(1,2,3)、(1,4,5)、(0,3,6)，总权2+3+5+6=16，覆盖所有5个节点且无环。

五、贪心算法与动态规划的对比

贪心与DP均依赖“最优子结构”，但核心差异在于子问题的处理方式：

六、贪心算法的优缺点与应用场景

1. 优点

• 实现简单：无需复杂的状态转移或子问题存储，代码逻辑清晰；
• 效率极高：时间复杂度多为O(nlogn)（排序）或O(MlogN)（优先队列），远低于DP；
• 空间紧凑：无需存储子问题解，空间复杂度通常为O(n)。

2. 缺点

• 适用范围窄：仅能解决满足“贪心选择性质”的问题，多数问题不适用；
• 正确性难证：需严格证明策略的有效性，直觉性策略易出错（如找零钱反例）；
• 无回溯机制：一旦选择错误，无法修正，只能重新设计策略。

3. 实际应用

• 资源调度：CPU短作业优先（SJF）调度、任务优先级调度；
• 编码压缩：哈夫曼编码（用于ZIP、JPEG等格式）；
• 路径规划：Dijkstra算法（导航软件核心算法之一）；
• 网络优化：Kruskal/Prim算法（构建通信网络最小成本拓扑）。

贪心算法是一种“高效但挑剔”的算法：它通过局部最优的积累快速推导全局最优，但仅适用于满足“贪心选择性质”和“最优子结构”的问题。掌握贪心算法的核心在于：

1. 学会判断问题是否符合贪心适用条件；
2. 设计正确的贪心策略并证明其有效性；
3. 熟练运用排序、优先队列、并查集等数据结构实现策略。

七、总结

到此这篇关于C++实现贪心算法（Greedy Algorithm）的应用场景示例的文章就介绍到这了,更多相关C++实现贪心算法内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！