贪心算法

贪心算法遵循一种近似解决问题的技术，期盼通过每个阶段的局部最优选择（当前最好的解），
从而达到全局的最优（全局最优解）。它不像动态规划算法那样计算更大的格局。

同样可以解决动态动态规划话题中找零问题和背包问题

硬币找零

function minCoinChange(coins, amount) {  
    const change = [];   
    let total = 0;   
    for (let i = coins.length; i >= 0; i--) { // {1}     
        const coin = coins[i];     
        while (total + coin <= amount) { // {2}
         change.push(coin); // {3}       
         total += coin; // {4}     
        }
    }   
    return change; 
}

不得不说贪心版本的minCoinChange比动态规划版本简单多了。对每个面额（行{1}——从大到小），把它的值和total相加后，total需要小于amount（行{2}）。
我们会将当前面额coin添加到结果中（行{3}），也会将它和total相加（行{4}）。
    如你所见，这个贪心解法很简单。从最大面额的硬币开始，拿尽可能多的这种硬币找零。当无法再拿更多这种价值的硬币时，开始拿第二大价值的硬币，依次继续。

用和DP方法同样的测试代码测试。
    console.log(minCoinChange([1, 5, 10, 25], 36));

然而，如果用[1, 3, 4]面额执行贪心算法，会得到结果[4, 1, 1]。如果用动态规划的解法，会得到最优的结果[3, 3]。
    比起动态规划算法而言，贪心算法更简单、更快。然而，如我们所见，它并不总是得到最优答案。但是综合来看，它相对执行时间来说，输出了一个可以接受的解。