贪心算法通常包含以下关键步骤：

找到可选的子问题： 首先，将原问题拆分成一系列可选的子问题或决策。

找到局部最优解： 对每个子问题，找到一个局部最优解。这个局部最优解应该是一个贪心选择，即在当前状态下选择最优的方式。

合并子问题的解： 将各个子问题的局部最优解合并起来，得到原问题的解。

检查解的有效性： 最后，检查得到的解是否满足问题的约束和要求。如果满足，就认为得到了问题的解。

贪心算法适用于一些特定类型的问题，通常要求问题具有贪心选择性质（即每一步的选择都是最优的），以及最优子结构性质（即问题的最优解可以通过子问题的最优解推导得出）。然而，贪心算法不一定能够求解所有问题，有些问题可能需要更复杂的算法来解决。

经典的贪心算法问题有找零钱问题、活动选择问题、背包问题中的部分背包等。贪心算法在求解这些问题时，通常能够得到接近最优解的结果，但并不保证一定能够得到全局最优解。

总之，贪心算法是一种基于每一步的局部最优选择来求解问题的思想，适用于一些满足贪心选择性质和最优子结构性质的问题。

贪心算法（Greedy Alogorithm）又叫登山算法，它的根本思想是逐步到达山顶，即逐步获得最优解，是解决最优化问题时的一种简单但是适用范围有限的策略。

贪心算法没有固定的框架，算法设计的关键是贪婪策略的选择。贪心策略要无后向性，也就是说某状态以后的过程不会影响以前的状态，只与当前状态有关。

贪心算法是对某些求解最优解问题的最简单、最迅速的技术。某些问题的最优解可以通过一系列的最优的选择即贪心选择来达到。但局部最优并不总能获得整体最优解，但通常能获得近似最优解。

在每一步贪心选择中，只考虑当前对自己最有利的选择，而不去考虑在后面看来这种选择是否合理。

在遇见问题时如何确定是否可以使用贪心算法解决问题，那么决定一个贪心算法是否能找到全局最优解的条件是什么呢？其实就是以下两点：

1.候选集合S 为了构造问题的解决方案，有一个候选集合C作为问题的可能解，问题的最终解均取自于候选集合C。 2.解集合S 随着贪心选择的进行，解集合不断扩展，直到构成一个满足问题的完整解。 3.解决函数solution 检查解集合是否构成问题的完整解。 4.选择函数select 即贪心策略，这是贪心算法的关键，它指出哪个候选对象有希望构成成问题的解。 5.可行函数feasible 检查解集合中加入一个候选对象是否可行，即解集合扩展后是否满足约束条件。

贪心算法使用基本步骤： 1.从问题的某个初始解出发 2.采用循环语句，当可以向求解目标前进一步时，就根据局部最优策略，得到一个部分解，缩小问题的范围或规模。 3.将所有的部分解综合起来，得到问题的最终解。

贪心算法的原理是通过局部最优来达到全局最优，采用的是逐步构造最优解的方法。在每个阶段，都做出一个看上去最优的，决策一旦做出，就不再更改。

要选出最优解可不是一件容易的事，要证明局部最优为全局最优，要进行数学证明，否则就不能说明为全局最优。

很多问题表面上看来用贪心算法可以找到最优解，实际上却把最优解给漏掉了。这就像现实生活中的“贪小便宜吃大亏”。所以我们在解决问题的时候，一定要谨慎使用贪心算法，一定要注意这个问题适不适合采用贪心算法。

贪心算法很多时候并不能达到全局最优，为什么我们还要使用它呢？

因为在很多大规模问题中，寻找最优解是一件相当费时耗力的事情，有时候付出大量人力物力财力后，回报并不与投入成正比。在这个时候选择相对最优的贪心算法就比较经济可行了。有的问题对最优的要求不是很高，在充分衡量付出和回报后，选择贪心算法未尝不是一种不错的选择呢。

这个问题在我们的日常生活中就更加普遍了。假设1元、2元、5元、10元、20元、50元、100元的纸币分别有c0, c1, c2, c3, c4, c5, c6张。现在要用这些钱来支付K元，至少要用多少张纸币？用贪心算法的思想，很显然，每一步尽可能用面值大的纸币即可。在日常生活中我们自然而然也是这么做的。在程序中已经事先将Value按照从小到大的顺序排好。 下面展示一些 内联代码片。