Greedy Algorithms 是按部就班地工作，并且总是选择提供直接利润/收益的步骤。它选择“局部最优解”，而不考虑未来的后果。贪心算法可能并不总是导致最优的全局解决方案，因为它不考虑整个数据。贪心法所做的选择没有考虑未来的数据和选择。在某些情况下，做出当时看起来正确的决定会提供最佳解决方案（贪婪），但在其他情况下则不然。贪婪技术最适合观察眼前的情况。
所有贪心算法都遵循一个基本结构：
getOptimal(Item, arr[], int n)
1) Initialize empty result : result = {}
2) While (All items are not considered)
// We make a greedy choice to select
// an item.
i = SelectAnItem()
// If i is feasible, add i to the
// result
if (feasible(i))
result = result U i
3) return result为什么选择贪婪方法-
贪婪方法有一些权衡，这可能使其适合优化。一个突出的原因是立即获得最可行的解决方案。在活动选择问题（下文解释）中，如果在完成当前活动之前可以做更多的活动，那么这些活动可以在同一时间内完成。另一个原因是根据条件递归地划分问题，无需合并所有解决方案。在活动选择问题中，“递归划分”步骤是通过仅扫描项目列表一次并考虑某些活动来实现的。
贪心选择属性：该属性表示可以通过制作局部最优解（贪心）来获得全局最优解。贪心算法做出的选择可能取决于早期的选择，而不是未来的选择。它迭代地做出一个又一个贪婪的选择，并将给定的问题缩小到一个更小的问题。
最优子结构：如果问题的最优解包含子问题的最优解，则该问题表现出最优子结构。这意味着我们可以解决子问题并构建解决方案来解决更大的问题。
注意：做出局部最优选择并不总是有效。因此，贪心算法并不总是给出最好的解决方案。
贪心方法的特点
1.有一个有序的资源列表（利润、成本、价值等）
2. 所有资源（最大利润、最大价值等）中的最大值被占用。
3. 例如，在分数背包问题中，根据可用容量首先取最大值/重量。
贪心算法的应用
1. 寻找最佳解决方案（活动选择、分数背包、作业排序、霍夫曼编码）。
2. 为 NP-Hard 问题（如 TSP）寻找接近最优解。
贪婪方法的优缺点
好处
- 贪婪的方法很容易实现。
- 通常具有较低的时间复杂度。
- 贪心算法可用于优化目的或在 NP Hard 问题的情况下寻找接近优化。
缺点
- 局部最优解可能并不总是全局最优。
标准贪心算法：
如果您希望与专家一起参加现场课程，请参阅DSA 现场工作专业课程和学生竞争性编程现场课程。