贪婪算法和贪心算法是同一个算法，只是名称略有不同。 它是一种在每一步选择中都采取局部最优解，以期最终得到全局最优解的算法策略。 但需要注意的是，贪婪算法并不总是能找到全局最优解，它更像是一种启发式算法，其有效性取决于问题的特性。
我曾经参与过一个项目，需要优化物流路线，以减少运输成本。 最初，我们尝试了多种复杂的算法，但效果都不尽如人意。 后来，我们决定尝试使用贪婪算法。 具体做法是：每次选择距离当前位置最近的下一个配送点，以此构建路线。 这看似简单，却有效地降低了运输里程。
然而，这个过程并非一帆风顺。 我们很快发现，这种简单的贪婪策略在面对一些复杂的场景时会失效。 例如，如果某个配送点虽然距离较远，但它能让我们避免后续路线的拥堵，那么选择它反而更有效率。 为了解决这个问题，我们对算法进行了改进，加入了对交通状况的预测和拥堵程度的评估，在选择下一个配送点时，不仅考虑距离，还考虑路况。 这就像是在下棋，不能只看眼前的局势，还要预判对手（路况）的下一步行动。 最终，我们实现了比之前所有方案都要好的物流优化效果。
Spark Streaming属于Spark的核心api，它支持高吞吐量、支持容错的实时流数据处理。它可以接受来自Kafka, Flume, Twitter, ZeroMQ和TCP Socket的数据源，使用简单的api函数比如 map, reduce, join, window等操作，还可以直接使用内置的机器学习算法、图算法包来处理数据。感兴趣的朋友可以过来看看
另一个例子是背包问题。 假设你有一个背包，容量有限，需要在众多物品中选择一些放入背包，以最大化总价值。 贪婪算法的策略是：每次选择单位重量价值最高的物品放入背包，直到背包装满。 这种方法简单易懂，但同样存在局限性。 如果一些重量较轻但价值很高的物品，由于前期选择了重量较大的物品而无法放入背包，就会导致最终总价值低于全局最优解。
总的来说，贪婪算法是一种简单且高效的算法，尤其适用于那些局部最优解能较好地逼近全局最优解的问题。 但它并非万能的，在应用过程中需要根据具体情况进行调整和改进，甚至结合其他算法，才能达到最佳效果。 关键在于理解其局限性，并针对性地进行优化，才能充分发挥其优势。 切勿盲目依赖，而应结合实际情况，权衡利弊，选择最合适的算法策略。
