关于贪婪算法的一点认识
贪婪算法是求问题的最优解，最典型的是0/1背包问题，如下：
有n个物品和一个容量为c的背包，从n个物品中选取装包的物品，物品i的重量是wi，价值是pi，一个可行的背包装载是指：装包的物品重量不超过物品的容量。一个最佳的背包装载是指物品总价值最高的可行的背包装载。仔细想想这东西其实很难求最优解的，不过我们可以先从简单的入手：“找零钱”，用100元买了不足100元的商品，对方怎么找零最少呢？这个问题小学生到知道，代码如下：
function givechange(number){
if(number<1) return;
let giveAry = [100,50,20,10,5,1];
for(let i=0;i<giveAry.length;i++){
if(number<1) return;
if(number < giveAry[i]) continue;
console.log(`需要${Math.floor(number/giveAry[i])}张${giveAry[i]}元`);
number = number%giveAry[i];
}
}
givechange(1236);
实质是这样的：好比找给你的钱要一张一张的找，每次找给你的钱都是能给你的最大面额，这就是他的贪婪算法。
另一个是装箱问题：一个大船要装货物，所有货箱的大小都一样重量却不同，第i个货箱的重量为wi货船最大载重量为C，货船上最多能装多少货物？（不考虑货船能装多少货箱）这都是最优解问题。
function boxing(boxary,threshold){
boxary.sort(function(a,b){return b-a});
let val = 0,i=0;
for(i;i<boxary.length;i++){
val += boxary[i];
if(val >= threshold) {
val -= boxary[i];
break;
};
}
console.log(`装了${i}箱，总重量${val}`);
}
boxing([2,3,5,7,34,56,78,1,5,67],200);
上面两个是小甜点，你很快会发现这样有问题，每次都装最终的当装不下的时候应该让最小的去试试。
以上都是0/1背包问题的具体实例，广泛来讲，背包问题贪婪准则有三种：
1，从剩余物品中选出能装入背包价值最大的物品。
假如说 ，n=3，w=[100,10,10],p=[20,15,15],c=105.使用这个准则得到的解是[1,0,0],可是最优解是[0,1,1];
2,从剩余物品选出能装入背包重量最小的物品。
例如：n=2,w=[10,20],p=[5,100],c=25,使用这个准则得到的解是[1,0],其实最优解是[0,1];
3,从剩余物品中选出可以装包的pi/wi最大的物品，
例如，n=3,w=[20,15,15],p=[40,25,25],c=30,依然不能得到最优解。
你可能听过任务调度问题，例如cpu任务调度的算法，这种都是典型的NP复杂问题，是不能在多项式时间内解决的。
难道就束手无策了吗？用贪婪算法我们可以求出解，但不一定是最优解，可是大部分情况下都是或者都接*最优解，这就可以了。
也许你会问前端学这有啥用呢？
举个例子：前端有个查看图片的瀑布流插件，下拉会更新图片，图片的宽高比是不确定，怎么样排列以后瀑布流底部最接*与*整呢？这不就是一个简单的0/1背包问题吗？
