贪心算法并不神秘
很多人听到“算法”两个字就头大，觉得那是程序员在实验室里摆弄的东西。其实像贪心算法这种思路，你在办公室里可能早就用过，只是没意识到。
比如月底要报销，手头有10张发票，但领导说最多只能报5张。你怎么做？大概率是挑金额最大的那5张。这个“每次都选当前最大的”做法，就是贪心算法的核心思想——每一步都做出当下看起来最好的选择，希望最终结果不会太差。
什么是贪心策略
贪心算法不追求全局最优，而是相信局部最优能凑出一个过得去的结果。它不适合所有问题，但在某些场景下又快又实用。
像安排会议室、分配任务、压缩文件打包这些办公常见操作，只要满足“局部最优能导向整体较好解”的条件，就可以试试贪心法。
一个实际例子：会议时间安排
假设你负责协调团队的会议室预订。一天下来有十几个会议申请，时间长短不一，但只有一个会议室可用。怎么安排才能让尽可能多的会议开成？
这里有个技巧：按会议结束时间从早到晚排序，然后依次选不冲突的会议。为什么按结束时间？因为越早结束，留给后面的会议空间就越大。
def schedule_meetings(intervals):
intervals.sort(key=lambda x: x[1]) # 按结束时间排序
result = []
last_end = -1
for start, end in intervals:
if start >= last_end:
result.append((start, end))
last_end = end
return result这段代码处理的是典型的贪心问题。输入是一堆会议的开始和结束时间，输出是能安排的最大会议数量。逻辑简单，运行也快，特别适合集成到行政管理系统里自动排程。
文件压缩打包也能用上
另一个场景：你要把一堆电子文档打成多个压缩包发邮件，每个包不能超过10MB。怎么打包最省包数？
直觉做法是先放大的文件，再往缝隙里塞小的。这其实就是贪心策略的一种变体——先处理重量级对象，剩下的空间再逐步填补。
虽然不一定是最优解（比如可能有两个中等文件拼起来刚好10MB），但大多数情况下效果不错，而且实现起来几乎不费劲。
什么时候别用贪心
贪心不是万能的。比如算最短路径，你不能每次都选最近的下一个点，那样可能会绕远路。这时候就得上动态规划或者Dijkstra算法。
判断能不能用贪心，关键看有没有“最优子结构”和“贪心选择性质”。说白了，就是每一步占便宜，最后是不是真能占到便宜。如果中间某个选择会堵死后面更好的路，那贪心就不灵了。
在办公系统开发中，遇到调度、分配、合并这类问题时，不妨先想想贪心能不能搞定。很多时候，简单的算法反而更稳定、更容易维护。