PYTHON LESSON 072
贪心与分治:五级综合
理解贪心策略与分治思想,会写归并排序,会用“层数 × 每层工作量”估算递归复杂度。
00 · 学习目标
这一课要解决什么?
学完后,你应该能够
- 贪心:每一步都选当前最优
- 分治:拆分 → 解决 → 合并
- 复杂度 ≈ 递归层数 × 每层工作量
01 · 核心概念
贪心算法、分治思想(归并排序)与递归复杂度估算
贪心算法、分治思想(归并排序)与递归复杂度估算:找零 37 元:先拿最大的 10 元,能拿几张拿几张,再拿 5 元、2 元、1 元。每一步都做“眼前最划算”的选择,最后凑出总方案——这就是贪心算法。
GESP Python 5 级 · 贪心算法GESP Python 5 级 · 分治与递归复杂度估算复杂度隐藏常数与硬件差异,但仍是比较规模增长的核心工具。
02 · 语法与规则
先记住这 3 条,再开始写程序
贪心:每一步都选当前最优先准确读出这条写法的结构与作用。
分治:拆分 → 解决 → 合并换一组最小数据,手工推演一次结果。
复杂度 ≈ 递归层数 × 每层工作量再用边界值或反例确认它的适用条件。
03 · 完整实例
代码、运行结果和解释放在一起看
# 第一幕:找零机器人(贪心)
def change(amount):
"""用 10、5、2、1 元硬币找零,贪心:每次先拿最大面额"""
coins = [10, 5, 2, 1]
used = []
for c in coins:
while amount >= c:
amount = amount - c
used.append(c)
return used
money = 37
plan = change(money)
print("找零", money, "元:", plan)
print("一共用了", len(plan), "枚硬币")
print("——————")
# 第二幕:归并排序(分治)
def merge_sort(nums):
"""分成两半各自排好,再合并成有序"""
if len(nums) <= 1:
return nums
mid = len(nums) // 2
left = merge_sort(nums[:mid]) # 分而治之:左半边
right = merge_sort(nums[mid:]) # 分而治之:右半边
merged = []
i = j = 0
while i < len(left) and j < len(right): # 合并两个有序列表
if left[i] <= right[j]:
merged.append(left[i])
i = i + 1
else:
merged.append(right[j])
j = j + 1
merged = merged + left[i:]
merged = merged + right[j:]
return merged
scores = [88, 45, 92, 61, 77, 54, 99, 38]
print("排序前:", scores)
print("排序后:", merge_sort(scores))
# 复杂度小估算:每层合并 n 个数,共约 log2(n) 层
import math
n = 1000000
print("百万数据归并:约", math.ceil(math.log2(n)), "层 × 每层百万次 ≈ 两千万次操作")找零 37 元: [10, 10, 10, 5, 2] 一共用了 5 枚硬币 —————— 排序前: [88, 45, 92, 61, 77, 54, 99, 38] 排序后: [38, 45, 54, 61, 77, 88, 92, 99] 百万数据归并:约 20 层 × 每层百万次 ≈ 两千万次操作
贪心要“有证据”才可靠;分治 + 合并是归并排序的灵魂,复杂度约 n log n。
04 · 逐步理解
每一步只解决一个问题
- 01
贪心:每步都拿当前最好
找零 37 元:先拿最大的 10 元,能拿几张拿几张,再拿 5 元、2 元、1 元。每一步都做“眼前最划算”的选择,最后凑出总方案——这就是贪心算法。
for c in coins: while amount >= c: amount = amount - c used.append(c) - 02
贪心也会翻车
假如硬币是 10、9、1 元,找 18 元:贪心给出 10 + 1×8 共 9 枚,最优却是 9 + 9 只要 2 枚!贪心不是万能钥匙,用之前要确认“局部最优能拼出全局最优”。
- 03
分治三部曲
面对大问题:拆分成几个小问题(分),分别解决(治),再把结果拼起来(合)。排序问题是分治的最佳舞台:两半各自有序,合并轻而易举。
left = merge_sort(nums[:mid]) right = merge_sort(nums[mid:]) - 04
归并的合并艺术
合并两个有序列表像拉链:两个指针各指一队队首,谁小谁出队。一趟扫描就合并完成——正因为合并只需 O(n),归并排序才这么快。
while i < len(left) and j < len(right): if left[i] <= right[j]: merged.append(left[i]); i += 1 else: merged.append(right[j]); j += 1 - 05
递归树看复杂度
n 个数每次对半分,大约 log2(n) 层到底;每层所有合并加起来约 n 次操作。总工作量 ≈ n log2(n)——百万数据约两千万次,比冒泡的万亿次快了五个量级。
- 06
递归复杂度估算方法
估算递归算法就记一句:“层数 × 每层工作量”。快速排序平均分治也是 n log n,但最坏会退化成 n²;归并稳定保持 n log n,代价是要额外空间。
- 07
五级综合挑战
配套题库里:“活动安排”练贪心证明感,“逆序对统计”藏在归并排序的合并里。拿下它们,你就集齐了贪心、分治、二分、数论四块五级拼图!
05 · 练习与检验
自己写出来,才算真正学会
- 1运行找零机器人,验证贪心方案
- 2换一套硬币面额,看贪心翻车
- 3跟着归并排序画一次拆分树
- 4估算百万数据归并要多少层
06 · 完整知识
继续理解定义、规则和适用边界
第一次学习先完成上面的六个步骤;需要查定义、核对规则、分析误区或理解“为什么”时,再展开对应知识章。
算法方法算法、复杂度与解题验证把题意转成输入、状态、规则与输出,用正确性和复杂度共同评价解法。+
正式定义
算法是解决一类问题的有限、明确步骤。正确性说明算法对所有满足前置条件的输入都得到规定结果;时间和空间复杂度描述输入规模增长时资源使用的增长量级。
必须掌握
- 先明确输入规模 n、数据范围、目标和允许误差,再选择数据结构与算法。
- O(1)、O(log n)、O(n)、O(n log n)、O(n²)、O(2ⁿ) 表示增长量级,不是精确运行秒数。
- 顺序代码复杂度取较大项,嵌套循环常相乘,二分每步把范围缩小一半。
- 正确性可用循环不变量、数学归纳、交换论证、反证或状态定义来说明。
- 样例只验证少量输入;必须自己设计边界、极端、重复、有序/逆序和无解数据。
- 优化前先得到正确基线并测量瓶颈,不为小数据盲目增加复杂实现。
常见误区
- 只看样例通过就宣称正确
- 不看数据范围使用 O(n²)
- 二分区间开闭混用
- 把 O(n) 当成永远比 O(log n) 慢固定倍数
适用边界
- 复杂度隐藏常数与硬件差异,但仍是比较规模增长的核心工具。
- 考场策略、课程完成度和算法能力是不同证据,任何单项都不能保证考级通过。
算法方法动态规划、贪心与分治根据子问题关系选择 DP、贪心或分治,并能说明状态、转移、顺序和正确性。+
正式定义
动态规划保存重叠子问题的结果,通常依赖最优子结构;贪心每步做局部选择,必须证明它能导向全局最优;分治把问题拆成相互独立的同类子问题,递归求解后合并。
必须掌握
- DP 四要素是状态含义、初始值、转移方程和计算顺序,最后还要明确答案位于哪里。
- 记忆化搜索是自顶向下按需计算,表格 DP 是自底向上按依赖顺序计算。
- 滚动数组只能压缩已经不会再使用的维度,更新方向必须避免覆盖仍需读取的旧状态。
- 贪心要有交换论证、领先法或结构性质证明,样例上成功不是证明。
- 归并排序把序列分半、分别排序再线性合并,时间 O(n log n)、额外空间 O(n)。
- LIS、LCS、0-1 背包和区间 DP 的状态定义不同,不能只替换模板变量名。
常见误区
- 状态定义不含必要信息
- 转移顺序读取到本轮新值
- 没有证明就使用贪心
- 把连续子数组和子序列混为一谈
适用边界
- 同一问题可能有多种复杂度方案,课程会同时保留清晰基线与优化版。
- DP 不是枚举所有状态就结束;状态数与每次转移成本共同决定复杂度。
核心数据结构列表、元组、字典与集合按顺序、可变性、唯一性和查找需求选择容器,并掌握遍历、推导式、排序与复制。+
正式定义
容器保存多个对象。list 是可变有序序列,tuple 是不可变有序序列,dict 保存唯一键到值的映射,set 保存无序且不重复的可哈希对象。
必须掌握
- list 支持下标、切片、append、extend、insert、pop、remove 与 sort;多数修改方法返回 None。
- tuple 的逗号比括号更关键,单元素元组必须写成 (value,)。
- dict 保持插入顺序;键必须可哈希且唯一,get 可提供缺省值,items 同时遍历键和值。
- set 用于去重与集合运算:| 并、& 交、- 差、^ 对称差;空集合必须写 set()。
- enumerate 同时给出序号和值,zip 并行遍历多个可迭代对象,默认在最短输入处停止。
- 浅复制只复制最外层容器;嵌套可变对象仍可能共享。
常见误区
- 把 list.sort() 的返回值赋回列表
- 遍历 dict 时同时改变其大小
- 用可变 list 当字典键
- 把 set 当成有固定顺序的序列
适用边界
- 大量从队首删除时 list.pop(0) 是 O(n),应使用 collections.deque。
- 需要有序映射的特殊操作、计数或默认值时可查阅 collections,但先理解基本 dict。
核心数据结构树、图、DFS、BFS 与最短路从节点与边的模型出发,掌握遍历、连通性、树结构、最小生成树和最短路径的适用条件。+
正式定义
图由顶点和边构成;树是连通且无环的无向图。DFS 沿路径深入后回溯,BFS 按距离层次扩展。算法的正确选择取决于图是否有向、边权是否为负、是否稠密以及目标是遍历、连通还是最短路。
必须掌握
- 邻接矩阵占 O(V²) 空间,适合稠密图和快速查边;邻接表占 O(V+E),适合稀疏图。
- DFS 常用递归或显式栈,BFS 使用队列;一般图都必须记录 visited 防止重复和死循环。
- 无权图的 BFS 首次到达即得到最少边数距离,可用 parent 还原路径。
- 树有 V-1 条边且任意两点路径唯一;二叉树前/中/后序描述根的访问时机。
- Dijkstra 只适用于非负边权;Floyd 求所有点对最短路并允许负边,但不能有可达负环。
- Kruskal 按边权排序并用并查集避环,得到连通无向带权图的最小生成树。
常见误区
- 遍历一般图时不记录 visited
- 对负权边使用 Dijkstra
- 混淆最短路径树与最小生成树
- 递归 DFS 忽略深度限制
适用边界
- 有向无环图、拓扑排序、强连通分量和负权最短路是图论后续主题。
- 网格搜索也是图搜索:格子是顶点,可移动关系是边;不要只背二维数组模板。
完成检查