英語：greedy algorithm，又稱貪婪算法，是一種在每一步選擇中都採取在當前狀態下最好或最優（即最有利）的選擇，從而希望導致結果是最好或最優的算法。
比如在旅行推銷員問題中，如果旅行員每次都選擇最近的城市，那這就是一種貪心算法。
貪心算法在有最優子結構的問題中尤為有效。最優子結構的意思是局部最優解能決定全局最優解。簡單地說，問題能夠分解成子問題來解決，子問題的最優解能遞推到最終問題的最優解。
貪心算法與動態規劃的不同在於它對每個子問題的解決方案都做出選擇，不能回退。動態規劃則會保存以前的運算結果，並根據以前的結果對當前進行選擇，有回退功能。
貪心法可以解決一些最優化問題，如：求圖中的最小生成樹、求哈夫曼編碼……對於其他問題，貪心法一般不能得到我們所要求的答案。一旦一個問題可以通過貪心法來解決，那麼貪心法一般是解決這個問題的最好辦法。由於貪心法的高效性以及其所求得的答案比較接近最優結果，貪心法也可以用作輔助算法或者直接解決一些要求結果不特別精確的問題。在不同情況，選擇最優的解，可能會導致辛普森悖論（Simpson's Paradox），不一定出現最優的解。
貪心算法在Data Science領域都被資泛應用，特別是金融工程。其中一個貪心算法例子就是Ensemble method
基本步驟步驟1：從某個初始解出發；
步驟2：採用迭代的過程，當可以向目標前進一步時，就根據局部最優策略，得到一部分解，縮小問題規模；
步驟3：將所有解綜合起來。
案例：換酒問題題目小區便利店正在促銷，用 numExchange 個空酒瓶可以兌換一瓶新酒。你購入了 numBottles 瓶酒。
如果喝掉了酒瓶中的酒，那麼酒瓶就會變成空的。
請你計算最多能喝到多少瓶酒。
示例 1輸入：numBottles = 9, numExchange = 3輸出：13解釋：你可以用 3 個空酒瓶兌換 1 瓶酒。所以最多能喝到 9 + 3 + 1 = 13 瓶酒。
示例 2輸入：numBottles = 15, numExchange = 4輸出：19解釋：你可以用 4 個空酒瓶兌換 1 瓶酒。所以最多能喝到 15 + 3 + 1 = 19 瓶酒。
分析這道題貪心的維度非常明顯，直接暴露在題目表面，即當前喝完所有飲料後變為空瓶加上已有空瓶後，最大限度的、貪心的兌換飲料，依次類推，直到手上的空瓶不足以兌換出一瓶飲料止。
代碼根據上述分析，兌現為代碼如下：
class Solution(object):
def numWaterBottles(self, numBottles, numExchange):
"""
:type numBottles: int
:type numExchange: int
:rtype: int
"""
sumb = numBottles
empty = numBottles
while empty // numExchange:
bottle = empty // numExchange # 兌酒數
empty = bottle + empty % numExchange # 空瓶子數
sumb += bottle
return sumb