build

chapter_greedy/greedy_algorithm.md

@@ -18,8 +18,6 @@ status: new
 
     给定 $n$ 种硬币，第 $i$ 个硬币的面值为 $coins[i - 1]$ ，目标金额为 $amt$ ，每种硬币可以重复选取，问能够凑出目标金额的最少硬币个数。如果无法凑出目标金额则返回 $-1$ 。
 
-贪心算法会迭代地做出一个又一个的贪心选择，每轮都将问题转化成一个规模更小的子问题，直到问题被解决。
-
 这道题的贪心策略在生活中很常见：给定目标金额，**我们贪心地选择不大于且最接近它的硬币**，不断循环该步骤，直至凑出目标金额为止。
 
 ![零钱兑换的贪心策略](greedy_algorithm.assets/coin_change_greedy_strategy.png)
@@ -167,7 +165,7 @@ status: new
 
 那么问题来了，什么样的问题适合用贪心算法求解呢？或者说，贪心算法在什么情况下可以保证找到最优解？
 
-相较于动态规划，贪心算法的使用条件更加苛刻，其主要关心问题的两个性质：
+相较于动态规划，贪心算法的使用条件更加苛刻，其主要关注问题的两个性质：
 
 - **贪心选择性质**：只有当局部最优选择始终可以导致全局最优解时，贪心算法才能保证得到最优解。
 - **最优子结构**：原问题的最优解包含子问题的最优解。值得注意的是，一些问题的最优子结构并不明显，但仍然可使用贪心算法解决。

chapter_greedy/index.md

@@ -18,3 +18,4 @@ status: new
 - [15.2   分数背包问题](https://www.hello-algo.com/chapter_greedy/fractional_knapsack_problem/)
 - [15.3   最大容量问题](https://www.hello-algo.com/chapter_greedy/max_capacity_problem/)
 - [15.4   最大切分乘积问题](https://www.hello-algo.com/chapter_greedy/max_product_cutting_problem/)
+- [15.5   小结](https://www.hello-algo.com/chapter_greedy/summary/)

chapter_greedy/summary.md

@@ -0,0 +1,17 @@
+---
+comments: true
+status: new
+---
+
+# 15.5.   小结
+
+- 贪心算法通常用于解决最优化问题，其原理是在每个决策阶段都做出局部最优的决策，以期望获得全局最优解。
+- 贪心算法会迭代地做出一个又一个的贪心选择，每轮都将问题转化成一个规模更小的子问题，直到问题被解决。
+- 贪心算法不仅实现简单，还具有很高的解题效率。相比于动态规划，贪心算法的时间复杂度通常低一个数量级。
+- 在零钱兑换问题中，对于某些硬币组合，贪心算法可以保证找到最优解；对于另外一些硬币组合则不然，贪心算法可能找到很差的解。
+- 贪心问题具有两大性质：贪心选择性质和最优子结构。贪心选择性质代表贪心策略的有效性。
+- 对于某些复杂问题，贪心选择性质的证明并不简单。相对来说，证伪更加容易，例如零钱兑换问题。
+- 求解贪心问题主要分为三步：问题分析、贪心策略确定、正确性证明。其中，贪心策略确定是核心步骤，而正确性证明是难点。
+- 分数背包问题在 0-1 背包的基础上，允许选择物品的一部分，因此可使用贪心算法求解。可以采用反证法证明贪心策略的正确性。
+- 最大容量问题可使用穷举法求解，时间复杂度为 $O(n^2)$ 。通过设计贪心策略，每轮向内移动短板，可将时间复杂度优化至 $O(n)$ 。
+- 在最大切分乘积问题中，我们先后推理出两个贪心策略：$\geq 4$ 的整数都应该继续切分、最优切分因子为 $3$ ，从而得到贪心解法。代码中包含幂运算，时间复杂度取决于幂运算实现方法，通常为 $O(1)$ 或 $O(\log n)$ 。