决策是从给定的解决方案域中做出的。由于贪婪，选择了似乎提供最佳解决方案的最接近的解决方案。
贪婪算法试图找到局部最优解，最终可能导致全局最优解。但是，通常，贪心算法不会提供全局优化的解决方案。
计数硬币
通过选择尽可能少的硬币来计数到期望值，并且贪婪方法迫使算法选择最大可能的硬币
我们给我们提供了面值为1、2、5和10的硬币，并且要求我们计数面值为18，那么贪婪的过程将是-
1-选择一个面值为10硬币，剩余数量为8
2-然后选择一个面值为5硬币，剩余数量为3
3 −然后选择一个面值为2硬币，剩余计数为1
4-最后，选择1个面值为1硬币解决了这个问题
对于货币系统，假设我们有面值为1、7、10枚硬币，则计数至18枚硬币绝对是最佳选择， 但对于15枚硬币，则可能会使用比必要数量更多的硬币。 例如，贪婪方法将使用10 +1 + 1 +1 +1 + 1，总共6个硬币。 只需使用3个硬币（7 + 7 + 1）就可以解决相同的问题
因此，我们可以得出这样的结论：
贪婪的方法选择了一种立即优化的解决方案，并且在全局优化问题上可能会失败。
大多数网络算法都使用贪婪方法
- 旅行商问题 Prim的最小生成树算法
- Kruskal的最小生成树算法
- Dijkstra的最小生成树算法
- 图形-地图着色
- 图形-顶点覆盖
- 背包问题
- 作业调度问题