Appearance
11 贪心：这种思想，没有模板，如何才能掌握它？
贪心算法（Greedy Algorithms）指的是求解问题时，总是做出在当前看来是最好的选择。 一个全局最优解可以通过选择局部最优解来达到。
贪心算法的运用非常广泛，比如哈夫曼（Huffman）树，单源最短路径（Dijkstra），构建最小生成树的 Prim 算法和 Kruskal 算法等。
学完这一讲，你将会收获：
贪心算法类题目的特点
贪心算法的解题思路
注：贪心算法没有模板可以套，其重点在于对题目的分析，对结论的推导。因此，这一讲，我们不再延用"模拟、规律、匹配、画图"四步分析法，而是将重点放在介绍一些题目是如何演变而来的，以及如何推导出贪心所用的结论。我会尝试用尽量少的数学公式，且让你能看懂的方式来讲解。
贪心的特点
面试中考察贪心算法的题目必然具备以下2 个特点，这里我用最通俗的话给你描述。
特点 1：只选局部最优解
在求解过程中，我们可以通过每一步都选择最优解，最终得到整个问题的最优解。下面我们通过一个简单的题目：寻找数组中最大的数，进一步说明一下这个特点。
java
int maxValue(int[] A) {
final int N = A == null ? 0 : A.length;
int maxValue = Integer.MIN_VALUE; // 初始集合里面的最大值
for (int i = 0; i < N; i++) {
maxValue = Math.max(maxValue, A[i]); // 迭代当前最优解
}
return maxValue; // 结束后，当前最优解变身全局最优解。
}首先： 在一个初始集（这里是一个空集），设置一个初始解。在这里，我们设置为 Integer.MIN_VALUE。
迭代：当有新元素进来的时候，我们需要迭代当前最优解。迭代后的最优解是已知数据的最优解。
答案 ：当处理完所有的数据之后，当前最优解 立马变身全局最优解。
由此，我们也可以看出，贪心算法在操作的时候，总是把局部次优解直接扔掉，保留局部最优解，最终得到整个问题的最优解。
特点 2：不能"逆袭"
下面我们用一道题目说明什么是"逆袭"。给定如下图所示的图形，从上往下走的时候，只能走到相邻格子的左边或者右边。求从顶部走到底部的最大和。
比如，这里我们给出合法与不合法的两种情况，如下图所示：
如果使用贪心算法求解这个问题，你可以结合下图进行思考：
如果在每一步，我们总是选择当前能选择的最大值，那么得到的解就不是最优解。因为最优解是 2 + 3 + 100 = 105。
那么问题出在哪里？这是因为在第二层有一个次优解 2 + 3，在第三层能够从 3 跳到 100，最终变成整个问题的最优解。
因此，在利用贪心算法的时候，必须要满足"不能逆袭"的特性：
局部次优解不能反超，不能成为问题的最终最优解！
注：这里我只是用一个例子来说明"不能逆袭"的特性，你能够意会到这种"次优解反超的特点"即可。
记忆
在生活中，有一句有趣的歌诀形象地表现了贪心算法的特点：龙生龙，凤生凤，老鼠生儿会打洞。
之前的最优解"龙"生成新的"龙"，依然处在食物链的高层，最后得出的仍然是最优解。而次优解"凤"和"老鼠"通过繁育是无法完成"逆袭"的，因此无法变成最优解。
另外，贪心算法的题目比较依赖一些现有的结论。在日常学习算法和数据结构的过程中，你要特别注意总结经验和积累结论。下面我们一起通过几道例题深入学习贪心算法，然后我还会带你总结出一些有趣的结论。
例 1：木桶装水
【题目 】给定一个数组，表示不同的木板的高度，在装水的时候，你可以选择两根木板，然后装满水，在不能倾斜的情况下，里面能装多少水，应该由较短的木板决定。请问最多能装多少水？
输入：A = [1, 0, 1, 1, 0]
输出：3
解释：你可以选择 index = 0 和 index = 3，由于高度都为 1，宽度为 3，装水为 3 x 1 = 3。这样组合装的水最多。
【分析】在正式求解这道题目之前，我们先从一些简单的题目进行展开。比如我们非常熟悉的：求一个数组中的最大值。相信你拿到这道题目就可以开始写代码了：
java
int getMaxValue(int[] A) {
final int N = A == null ? 0 : A.length;
int ans = Integer.MIN_VALUE;
for (int i = 0; i < N; i++) {
ans = Math.max(ans, A[i]);
}
return ans;
}如果我们仔细观察上述解法，可以发现贪心算法成立的关键在于：贪心的策略保证了在已知求解范围（绿色）区域里面始终是最大的。如下图所示：
在这个解法里面，我们采用的是从一侧推进来求最大值，如果我问你，是否有其他我们已经学过的办法可以解决这道题目呢？答案就是"10 | 双指针：如何掌握解决最长，定长，最短区间问题的决窍？"介绍的双指针。我们可以利用双指针从数组的两侧来推进，求解这个数组的最大值，代码可以写成如下这样：
java
int getMaxValue(int[] A/*输入保证非空*/) {
final int N = A == null ? 0 : A.length;
int i = 0, j = N - 1;
while (i < j) {
if (A[i] > A[j]) {
j--;
} else {
i++;
}
}
return A[i];
}如果用比武打个比方，这种思路的依据就是每次取两个人来比武，胜者留下，那么留下来的当然是数组中的最大值。因此，可以得到结论 1。
结论 1：
max(A[i]，A[j]) 就是 [0...i] 和 [j ... N) 这两个区间里面的最大值。
前面我们都把注意力放在了较大的数。那么，有没有什么结论留给"较小的数"呢？
实际上，对于较小的数，还有一个有用的结论。下面我们从头开始推导一下。
首先，数组的最大值所在位置，最终肯定可以将数组切分成 3 个区域，分别用 3 种颜色来表示（如果数组中有多个同值的最大值，只需要挑一个出来当最大值即可）。但是具体如何切分，我们一开始并不清楚。
但是，如果利用 i，j 左右同时向中间走，最大值一定出现在 [i, j] 这个范围里面，所以 [0, i) 区域肯定是绿色的，而 (j, N) 区域肯定是红色的。
那么，如果 A[i] > A[j]，留给较小的数 A[j] 的结论是什么呢？
留下的便是结论 2：
异色区域，大于等于 A[j] 且离 j 最远的元素就是 A[i]。
我们用反证法简略证明一下：假设程序执行到 A[i] > A[j] 成立，但是数组中有另外一个元素 0 <= x < i，并且 A[x] > A[j] 成立。那么：
根据结论 1，[0, x] 区域，和 [j, N) 区域里面的最大值必然是 max(A[x], A[j])；
由于A[x] > A[j]，所以 [0, x] 区域和 [j, N) 区域里面的最大值必然是 A[x]；
那么在执行算法的时候，当执行到 A[x] > A[j] 时，会接着执行 j--，也就是说，程序不可能执行到 A[i] > A[j] 位置，这与假设矛盾。
当然，结论 2 也可以针对 A[i] < A[j] 写成：
异色区域，大于等于 A[i] 且离 i 最远的元素就是 A[j]。
那么利用结论 2，我们能做什么呢？由于已经知道异色区域中更大的元素的位置。我们再回到原题，用木板装水的过程中，装水量是由最短的木板决定的。
根据上述分析，我们是不是可以得出第三个结论：装水最多的时候，是否就是异色且成对的 <i, j> 呢？我们假设该结论成立。
结论 3：
装水最多的时候，必定由异色区域两根木板来装。
但是你可能很快会找到一个反例。如下图所示（注意，不同位置的竖线高度，分别表示相应位置元素的值的大小）：
在 j 的同侧，还有一个 A[k] 比 A[j] 稍大且 A[k]，A[j] 离得很远。此时 A[i] 和 A[j] 装的水（1 号区域）肯定比 A[j] 和 A[k] 装的水（2 号区域）少。
但是，既然已经出现这种情况，那么可以肯定的是，此时 A[i] > A[j] 且 A[i] > A[k]。并且 A[k] > A[j]，实际上可以得到一个更大的装水区域。即由 A[i]，A[k] 形成的下图中 3 号区域：
同样也得出结论 3 是成立的。
那么根据结论 3，我们就知道最优答案只能在异色区域里面选（可以想象成装水的水桶两根木板一定要不一样的颜色）。然后根据结论 2，我们又可以知道每个元素 A[x] 在异色区域里面离 x 最远且更大的是谁。那么这道题目就可以求解了。
【代码】根据结论 2 和结论 3 我们可以写出代码如下：
java
int maxArea(int[] A) {
final int N = A == null ? 0 : A.length;
int ans = 0;
int i = 0, j = N - 1;
while (i < j) {
int height = Math.min(A[i], A[j]);
int width = j - i;
ans = Math.max(ans, height * width);
if (A[i] > A[j]) {
j--;
} else {
i++;
}
}
return ans;
}复杂度分析：双指针左右同时遍历数组的元素，每个元素只访问一遍，因此，其复杂度为 O(N)，空间复杂度为 O(1)。
【小结】本质上这道题就是从"求一个求数组的最大值"延伸和演变而来。只是我们通过双指针求解数组最大值的过程中，总结出了结论 1 和结论 2。然后再结合题意要求，得到结论 3，最后使这个问题得到解决。
这道题目的考点我们进行一下归纳。
双指针：需要从左右两端向中间走（这和我们前面所讲的双指针略有不同）。
贪心算法：通过结论 1、结论 2、结论 3，每一步都选择最优解，最终得到整个问题的最优解。
为了帮助你巩固上述解题方法，这里我再给你留一道类似的题目。
练习题 1：给定一个数组 A[]，A[i] 表示柱子的高度，宽度为一个单位。如果我们不停往里面加水，直到所有柱子之间都加满为止。请问：给定一个图形，最多能接多少单位面积的水？
输入：A = [0,1,0,2,1,0,1,3,2,1,2,1]
输出：6
解释：如图所示，最多只能接 6 个单位面积的水。蓝色部分是水，而黑色部分是柱子，数组中不同的值，由不同高度的柱子表示。
例 2：不重叠区间
【题目 】给定一系列区间，请你选一个子集，使得这个子集里面区间都不相互重叠，并且这个子集里面元素个数最多。不重叠的定义：区间 [3,4] 和 [4,5] 就是不重叠。
输入：A = [[1,2],[2, 3], [3,4], [1,3]
输出：3
解释：最多只能选出 3 个区间相互不重叠[1,2], [2,3], [3,4]。
【分析】这个问题，最后相互不重叠的区间应该是初始集合的一个子集。那么，当我们遇到一个区间的时候，应该取还是不取呢？
下面我们从"单个区间：取和不取"来展开讲解。这里我们需要稍微进行一下推导。假设：
已经求解了下图中的绿色区域，并且得到了绿色区域的最优解 maxNum；
接下来我们要处理红色元素（也就是单个的区间）。
（注意：下文的 maxNum 和 newMaxNum 均表示区间里面的不重合区间的最大数目，其中 newMaxNum 表示区间范围变长 之后的新的不重合区间 的最大数目）
那么当红色区间进来的时候，应该如何更新 maxNum 的值呢？新的 newMaxNum 的值又如何决定呢？
这里可以分为两种情况。
Case 1：newMaxNum 不包含新来的区间（红色部分），应该直接等于旧的 maxNum
Case 2：newMaxNum一定包含新来的区间（红色部分）
如果进行迭代的话，就是：
更新后的最优解 = max（不包含红色区间 =maxNum， 一定包含红色区间的最优解）
Case 1 的值是不需要求解的。那么接下来，我们只需要看 Case 2。
这种情况又可以分为两种小情况。
Case 2.1：新来的区间与旧的任何区间都没有交集，那么 newMaxNum = maxNum + 1。
Case 2.2：新来的区间与旧的区间有交集。
Case 2.1 的值已经计算出来了，我们再来看 Case 2.2。
求解 Case 2.2，需要从区间的不重叠性出发。关于"区间不重叠"，有一个性质：
两个区间 [a, b] 和 [c,d] 不相交，只需要满足 b <= c || d <= a 就可以了。
现在，我们知道：区间的重叠只需要看两端的大小。可以将绿色区间部分排序 。绿色区间集合将分为两部分：
集合 a. 与红色新进来的区间有交集（下图紫色部分）；
集合 b. 与红色新进来的区间没有交集（下图绿色部分）。
我们画图如下：
假设已知集合 a 中不重叠的区间个数为 preMaxNum，那么我们就得到了 Case 2.2 的解：preMaxNum + 1。
此外， preMaxNum 肯定小于 maxNum，所以此时 preMaxNum + 1 <= maxNum。也就是说，Case 2.2 最优的时候，都没有 Case 1 好。所以对于整个问题：我们只需要考虑 Case 1 和 Case 2.1。
Case 2.2 逆袭的最优情况也只是等同于 Case 1。次优解不能逆袭超车，正好使用贪心算法。
那么接下来，我们看 Case 1 与 Case 2.1，由此可以得到一个结论 1：
如果新来的区间与前面的区间不重叠，那么不重叠区间数目就能增加一个。
至此，我们知道通过排序，并且依赖性质 1 可以得出两个区间是否重叠。那么如何排序呢？区间有两个端点 [start, end]，是按照 start 排序还是按 end 排序呢？
这里我们先用 end 来排序（很多博客上说不能用 start 排序，实际上是可以的，下面我们会具体分析）。
由于我们是按照每个区间的 [start, end] 来排序的，并且用了一个变量 maxEnd 记录已经处理的区间的最大 maxEnd。那么当新区间 [c, d] 进来的时候，只需要判断：
java
newMaxNum = maxNum + (maxEnd <= c ? 1 : 0);
maxNum = newMaxNum;此外，还需要注意 maxEnd 的更新。在前面的图中，为了简化条件，我并没有清晰地指出 maxEnd 指代的含义。你需要注意 maxEnd 的含义：如果你选取的区间都是不重叠的，maxEnd 是你选中的区间 的最大 end，而不是你查看过的区间的最大 end。
因为，只有这样，我们才可以知道要不要把新区间加入不重叠的集合里面。
【代码】原理已经讲清楚了，下面可以开始写代码了（解析在注释里）：
java
int nonOverlapIntervals(int[][] A) {
final int N = A == null ? 0 : A.length;
// 将区间进行排序
Arrays.sort(A, new Comparator<int[]>() {
public int compare(int[] a, int[] b) {
return a[1] == b[1] ? 0 : (a[1] < b[1] ? -1 : 1);
}
});
// 已重叠的区间的最右端点
int maxEnd = Integer.MIN_VALUE;
// 不重叠 的区间的个数
int ans = 0;
// 开始贪心算法
for (int i = 0; i < N; i++) {
final int start = A[i][0];
if (maxEnd <= start) {
maxEnd = A[i][1];
ans++;
}
}
return ans;
}复杂度分析：假设有 N个 区间，程序的核心分为排序与贪心。排序的时间复杂度为 O(NlgN)，而贪心的算法复杂度为 O(N)，空间复杂度为 O(1)。
【小结】我们分析这道题目的时候，并不清楚是否要引入排序，而是一步步推导得出"需要使用排序来进行预处理"，然后再使用贪心算法。
不过前文说到，排序的时候也可以使用区间 [start, end] 中的 start 排序。这里我就再给出根据 start 进行排序的代码。核心思路：如果在区间排序的时候，根据 start 来排序，那么在处理的时候，需要逆序进行。
java
int eraseOverlapIntervals(int[][] A) {
// 区间的总数
final int N = A == null ? 0 : A.length;
// 将区间[start, end]根据start来排序
Arrays.sort(A, new Comparator<int[]>() {
public int compare(int[] a, int[] b) {
return a[0] == b[0] ? 0 : (a[0] < b[0] ? -1 : 1);
}
});
int preStart = Integer.MAX_VALUE;
int ans = 0;
// 处理的时候，从后面开始处理
for (int i = N - 1; i >= 0; i--) {
final int start = A[i][0];
final int end = A[i][1];
if (end <= preStart) {
preStart = start;
ans++;
}
}
return ans;
}不重叠区间问题是很多问题的模板题。你掌握了这个模板就可以解决掉更多题目。下面请你尝试完成下面一批练习题。你一定要自己动手练习，不要偷懒哦！如果有你对哪里有疑问，也欢迎你写在留言区，我们一起讨论。
练习题 2：给定一系列区间，返回最少需要删除的区间数目，使得剩下的区间不重叠。
输入：A = [[1,2], [2,3], [1,4]]
输出：1
解释：这里我们选择删除 [1, 4] 剩下的区间便不再重叠。这是最少的删除区间的数目。
练习题 3：给定一个字符串，需要切分成尽可能多的切片，但是一个字母只能放在一个切片里面。
输入：A = "abcabdefg"
输出：5
解释：最多可以分为 ["abcab" "d" "e" "f" "g"]。你不能切成 ["a", "b", "c", "a", "b", "d", "e", "f", "g"]，在这种情况下 'a' 字母并没有处于同一个切片。
练习题 4：给定一系列区间，将重合的区间合并在一起。
输入：A = [[1,2], [2,3], [2,6], [7, 8]]
输出：[[1, 6], [7,8]]
例 3：青蛙跳
【题目】给定一个数组 A[]，元素 A[i] >= 0，一只青蛙站在 index = i，那它可以跳到 A[i+1], ..., A[i+A[i]]（当然，它是不能跳出数组的）。那么请问这只青蛙从 index = 0 出发，能不能跳到 index = A.length - 1。
输入：A = [2, 3, 1, 2, 1]
输出：true
解释：青蛙可以这样跳，A[0] → A[1] → A[4]
【分析 】这个问题的重点在于，站在 index = i，那它可以跳到 [i, ..., i + A[i]]。
因此，它表示的信息就是两点：
起点 i
终点 i + A[i]
这货不就是一个区间吗？因此，数组里面的每一个元素，实际上都表示了一段区间 [i, i + A[i]]。并且，这些区间都已经按照区间的起始点排好序了。
那么问题就演变成：给定一系列区间，这段区间是否可以连续覆盖 [0, N-1] 这个范围。题目也就变成一个区间覆盖问题。
当走到位置 i 的时候，相当于已经覆盖了范围 [0, i + A[i]]。那么接下来，由于我们需要实现的目标是：连续覆盖得越远越好。
因此只需要选择这样的区间：
区间的起始位置 x 一定要在 [0, i + A[i]] 范围里面，也就是要满足相连；
区间的终止位置 x + A[x] 一定要越远越好。
那么，我们可以写出暴力的算法版本 1如下：
java
class Solution {
public boolean canJump(int[] A) {
final int N = A == null ? 0 : A.length;
// 起始位置能拿到的区间是[0, 0 + A[0]]
int coveredRange = A[0];
int used = 1;
while (coveredRange < N - 1 && used < N) {
int oldCoveredRange = coveredRange;
// 我们从0 ~ N - 1里面选一个区间
// 注意，我们并不害怕重复选择同一个区间
// 因为重复选择同一个区间，并不能让覆盖范围变长。
// 不能变长的情况，我们就直接return false.
//
// （扫描循环:待优化）.....
for (int i = 0; i < N; i++) {
// 1. 如果这个区间和我们已经覆盖的范围是相连的!
// 满足相连性
if (i <= oldCoveredRange) {
// 2. 如果这个区间能覆盖得更远
if (i + A[i] > coveredRange) {
// 更新我们能cover的范围
coveredRange = i + A[i];
}
}
}
// 如果发现不能更新覆盖范围，说明已经没有变长的可能性了。
if (oldCoveredRange == coveredRange) {
return false;
}
// 否则，已经使用的区间数目++
used++;
}
return true;
}
}暴力算法每次在完成区间更新的时候，都是搜索所有可能的解，因此其正确性是可以得到保证的。（在测试平台上也可以通过）。但是面试官要的肯定不是复杂度这么高的算法。因此，我们需要在此基础上继续优化。
【优化 1】由于连续性的要求，在扫描的时候，不需要遍历 [0, N) 的所有元素，只需要遍历 [0,oldCoveredRange] 这个范围里面的元素。那么扫描循环可以优化如下：
java
// （扫描循环:待优化）.....
for (int i = 0; i <= oldCoveredRange; i++) {
// 1. 这个区间和我们已经覆盖的范围是相连的!
// 满足相连性
// 2. 如果这个区间能覆盖得更远
if (i + A[i] > coveredRange) {
// 更新我们能cover的范围
coveredRange = i + A[i];
}
}【优化 2】我们发现：
如果有区间在覆盖范围 [0, A] 里面被扫描过了；
在下一轮覆盖范围 [0, B] 里面还会被扫描；
B >= A。
而 [0, B] 实际上可以分为两段，[0, A] 和 [A+1, B]。既然 [0,A] 这一段已经扫描过了，那么为了避免重复扫描，接下来只需要扫描 [A+1, B] 即可。因此，每次扫描的时候，你都需要记住当前这次扫描的终点 A。
【代码】根据上述分析，我们就可以写出如下代码了（解析在注释里）：
java
class Solution {
public boolean canJump(int[] A) {
final int N = A == null ? 0 : A.length;
// 一开始，在正式开始第一次扫描之前，肯定什么元素都还没有扫描过
// 所以之记录之前扫描位置设置为-1
int preScanedPos = -1;
// 根据题意
// 当前能覆盖到数组的第0个元素。也就是当前可以够得着的元素
int curCoveredRange = 0;
// 如果当前
while (curCoveredRange < N - 1) {
int oldCoveredRange = curCoveredRange;
// 根据优化1和优化2，我们只需要遍历
// [preScanedPos + 1, oldCoveredRange]即可。
// 然后不停更新curCoveredRange
for (int i = preScanedPos + 1;
i <= oldCoveredRange; i++) {
// 1. 这个区间和我们已经覆盖的范围是相连的!
// 满足相连性
// 2. 如果这个区间能覆盖得更远
if (i + A[i] > curCoveredRange) {
// 更新我们能cover的范围
curCoveredRange = i + A[i];
}
}
// 如果发现不能更新覆盖范围，说明已经没有变长的可能性了。
if (oldCoveredRange == curCoveredRange) {
return false;
}
// 我们记住上次已经扫描过的位置
preScanedPos = oldCoveredRange;
}
return true;
}
}复杂度分析：时间复杂度 O(N)，空间复杂度 O(1)。实际上，这里最多每个点遍历一次，所以时间复杂度为 O(N)。
【小结 】在做完这个题之后，不妨和我们"第 02 讲"学过的 FIFO 队列进行一个知识上的联动。
记得我以前学习队列的时候，访问一个点时，会把后续的点都放到队列中，如下图所示：
但是在这道题中，当访问 i 这个点的时候，后续能够走的点是 A[i+1] ... A[i+A[i]]，但并没有把所有的点都入队，而是从里面选择了一个最优的点。
如果把遍历的顺序也放到一个队列中，那么入队的时候，就只是把后面最优的点放到队列中。这个性质和优先级队列不太一样。优先级队列会把所有的元素都放到堆里面，然后堆内有序。但是对于贪心来说，只需要把最优秀的元素入队即可。
当然，由于每次都只选一个后续最优元素入队，因此这个 Queue 的长度最长是 1。这和我们之前学过的队列知识存在相似之处，但也有不同的地方。
如果我们再从深度上挖掘一下这道题，还可以有得到下面这些练习题。
练习题 5：问题与例 3 一样，只不过这个题：需要输出最少跳跃的次数？如果不能跳到 A.length-1，请输出 -1。
输入：A = [2, 3, 1, 2, 1]
输出：2
解释：A[0]→A[1]→A[4] 最少跳两次就可以到达最后一个下标。
接下来我们看一下：给定一系列区间，如果要完全覆盖 [start, end] 这个区间，应该如何处理呢？请看练习题 6。
练习题 6：一个大门安装了好几个摄像头，每个摄像头会录下一段时间的视频（假设起始时间与结束时间都是一个整数，可能为负数）。如果想找到 [0, T] 时间段的视频，请问最少需要提取几个摄像头的视频？如果不能得到 [0, T] 这个时间段的视频，输出 -1。
输入：[[1,2], [0,2], [0,1], [2,3], [2,6], [3,8]], T = 5
输出：2
解释：只需要用 [0, 2]，[2,6] 就可以完全覆盖 [0, 5] 这个时间段。因此，最少需要看 2 个摄像头。
例 4： 加油站
【题目】巨大的环形赛道上有 N 个加油站，第 i 个加油站可以加油 G[i] 升，而从第 i 个加油站开到下一个加油站，需要 C[i] 升汽油。请你选择一个起始加油站，能够跑完环形赛道一圈。
条件：1. 注意是环形赛道；2. 汽车油箱总是足够大。
输入：G = [1,2], C=[2, 1]
输出：1
解释：从站点 0 出发，一开始只能收获 1 升油，而从 index = 0 跑到 index = 1 需要用掉 2 升汽油，所以不能从站点 0 出发。而从站点 1 出发，则可以绕着环形跑道跑一圈。
【分析】当拿到这个题的时候，我们首先考虑一种极端情况，那就是收入与付出不成正比。当 sum(G) < sum(C) 的时候，应该是无论如何也不可能跑一圈的。
那么接下来就只需要考虑 sum(G) >= sum(C) 的情况 。在这种情况下，可以得到结论 1：
当 sum(G) >= sum(C) 时，必然存在某个点出发可以绕着赛道跑一圈的情况。
证明这个结论需要使用反证法。假设：当 sum(G) >= sum(C)，不存在某个点出发，可以绕着赛道跑一圈。若假设成立，那么必然可以将环形跑道切成几段，如下图所示：
并且每一段都是负数（因为不能绕着跑道跑一圈）。这时不同的段用不同的颜色表示。由于每一个小段和都是 sub_sum(G) < sub_sum(C)，那么必然可以得到总和 sum(G) < sum(C)。这与题目条件相矛盾。
注：我们用 sub_sum() 函数表示求这一小段对应子数组的和。
根据结论 1，可以将 sum(G) >= sum(C) 的情况再次分为两种。
Case 1：从站点 0 出发可以跑遍全场。
Case 2：从非 0 站点出发可以跑遍全场。
如果是Case 1，那么我们可以写出代码如下（解析在注释里）：
java
// ans表示从哪里出发
int ans = 0;
// 车里剩余的油量。
int left = 0;
// 开始遍历每个站点
for (int i = 0; i < N; i++) {
total += G[i] - C[i];
if (left + G[i] - C[i] >= 0) { // 油量足够
left += G[i] - C[i]; // 把油耗算上去
} else { // <-- 油量不够
// 不能从站点0出发。! <!待处理!>
}
}
// 可以从站点0出发，此时ans = 0
return ans;如果是Case 2，接下来我们再看一下不能从站点 0 出发的情况。也就是存在某个点 i，使得汽油不够了。会有 left（余下的汽油） + G[i] - C[i] < 0，那接下来应该从哪里开始呢？
首先，当 G[0] - C[0] < 0 的时候，肯定是不能从 0 开始。
其次，当 G[0] - C[0] >= 0 的时候，如果 [0, i] 的油量收益为负数。那么中间任意选一个点 x，且 0 < x <= i，那么 [x, i] 这个区间上的油量收益也必然为负（因为去掉了从 0 位置出发的正收益 G[0] - C[0]）。
这两种情况可以统一处理如下：当出现油量不够的时候，下一个尝试的起点应该是 i + 1。
此时我们可以统一用代码处理如下（解析在注释里）：
java
// ans表示从哪里出发
int ans = 0;
// 车里剩余的油量。
int left = 0;
// 开始遍历每个站点
int total = 0; // <-- 结论1
for (int i = 0; i < N; i++) {
total += G[i] - C[i]; // <-- 结论1
if (left + G[i] - C[i] >= 0) { // 油量足够
left += G[i] - C[i]; // 把油耗算上去
} else { // <-- 油量不够
// 尝试新站点出发
ans = i + 1;
left = 0;
}
}
return total < 0 ? -1 : ans; // <-- 结论1但是需要验证找到的 ans 站点出发，可以绕赛道一圈？答案是不需要的，下面我们证明一下这个结论。
假设从 ans=start 站点出发，那么环形区域必然可以分为两半部分，[0, start) 和 [start, N)。由于不能从 index = 0 出发，那么 [0, start) 这个区域油量收益肯定是 sub_sum(G) < sub_sum(C)，即油量收益肯定是负数。
由于油的总量是 sum(G) >= sum(C)，那么后半段油的收益 sub_sum(G) - sub_sum(C) > 0 必然成立。并且，我们可以得到：后半段的收益肯定可以平衡掉前半段的负收益。因此，从 start 出发，就必然可以绕着赛道跑一圈。
【代码】到此时，我们已经可以写出代码了（解析在注释里）：
java
int canCompleteCircuit(int[] G, int[] C) {
final int N = G == null ? 0 : G.length;
// 找一个子数组和最大的地方
// 那么也是相当于找一个子数组和最小的地方
long left = 0;
int ans = 0;
long total = 0;
for (int i = 0; i < N; i++) {
final int get = G[i];
final int cost = C[i];
total += get - cost;
// 如果我还能开到下一站，好的，那么继续开
if (left + get - cost >= 0) {
left += get - cost;
} else {
// 如果从[ans ...i]这段区间里面的收益为负数
left = 0;
ans = i + 1;
}
}
return total >= 0 ? ans : -1;
}复杂度分析：时间复杂度为 O(N)，空间复杂度为 O(1)。
【小结】我们经过层层分析，得到最终求解的代码。最后还证明了不需要额外的代码去验证 ans 站点出发的有效性。在这个题中用到的结论 1 是我们分析问题的关键。
不过这个题还有一个比较有趣的解法，解题思路是这样的：
当总和小于 0 的时候，肯定没有解；
当总和大于等于 0 的时候，总是有解的，那么在选择起点的时候，可以选择一个子数组，这个子数组是数组里面的最大和，然后就以这里作为起点。（可以反证一下，如果从最大子数组和的起点出发都不能绕赛道一圈，那么其他的点就更没戏了）。
不过想要通关这种解法，需要你依次解决以下几道练习题哦。
练习题 7：给定一个数组，求这个子数组里面的最大子数组和。
输入：A = [1,-5,3,4]
输出：7
解释：最大子数组和为 [3,4]，形成的和为 7，没有比 7 更大的子数组和了。
练习题 8：给定一个数组，这个数组首尾成环，求这个环形数组里面的最大子数组和。
输入：A = [2, -2, -2, -2, 2]
输出：4
解释：最大子数组为首尾的 [2, 2]，形成的和为 4，没有比 4 更大的子数组和了。
练习题 9 ：同样是例题 4，你能使用我们前面提过的"从最大子数组和的起点出发"这种思路进行求解吗？
总结与延伸
贪心算法是一种思路，没有模板和套路。不过经过今天的学习。可以发现，贪心算法的两个特点中，第一个特点只选局部最优解 是比较容易做到的。但是难点在于： 次优解不能逆袭。
往往我们要花非常多的时间证明，才能够保证次优解可以扔掉。这里面还涉及了非常多的数学思维，需要你活学活用。
作为面试官，我给你的建议是：刷贪心题目的时候，一定要注意推导 ！如果你不会证明："为什么次优解可以扔掉？"，但知道如何进行操作，这说明你还没有真正掌握贪心这种思想。
思考题
最后我再给你留一道思考题：既然可以用练习题 8 思路解决例 4 的问题，那么肯定也可以用例 4 的思路解决练习题 8，你能想一下代码应该怎么写吗？
给定一个数组，这个数组首尾成环，求这个环形子数组里面的最大子数组和。
输入：A = [2, -2, -2, -2, 2]
输出：4
解释：最大子数组为首尾的 [2, 2]，形成的和为 4，没有比 4 更大的子数组和了。
希望你可以自己动一动手，也欢迎在留言区分享你的思路，我们一起讨论。接下来请和我一起踏上更加奇妙的算法旅程，下一讲将介绍 12 |回溯：我把回溯总结成一个公式，回溯题一出就用它。记得按时来探险。