贪心算法是一种基于贪心策略的计算方法，适用于问题的最优化问题，它总是选择当前情况下最优的解，然后递归地解决剩余的问题，以达到全局最优的目的。
贪心算法主要应用于满足以下两个条件的问题：
1. 原问题的最优解可以通过一系列局部最优的选法得到。
2. 每个子问题的解必须和其它子问题的解独立。
在使用贪心算法时需要注意以下几点：
1. 理解原问题和子问题之间的关系，并能正确地设计贪心策略。
2. 能证明通过贪心策略得到的解具有最优子结构性质，即局部最优解联合起来就是全局最优解。
3. 选择能得到最优解的局部最优策略，并证明做出这个选择后剩余问题仍能用贪心策略解决。
接下来，以两道经典的问题来说明贪心算法的应用。
问题1：分发糖果
现有一组学生，每个学生的评分已知。将一定数量的糖果分发给这些学生，并要求满足以下要求：
1. 每个学生至少分配到一个糖果。
2. 更高评分的学生需要比他们圆等其他学生获得更多的糖果。
如何分配糖果数量以满足以上条件，而又使用最少的糖果数量。
解题思路：
该问题的最优解要求高到低分配糖果，同时需要满足局部最优子结构性质。具体的贪心策略如下：
1.首先，对学生的评分进行升序排序，保证低分学生优先考虑。
2.初始化每个学生都拥有一个糖果。
3.从左至右遍历学生列表，并更新糖果数量，如果当前学生的评分高于前一个学生，那么这个学生的糖果应该比前面的多1。
下面是可能实现的Python代码：
def candy(self, ratings: List[int]) -> int:
n = len(ratings)
res = [1] * n
# 按评分升序排序
sr = sorted([(ratings[i], i) for i in range(n)])
for _, i in sr:
# 比该学生评分低的人都少分糖果，比其评分高的人都要多分1颗
if i > 0 and ratings[i - 1] < ratings[i]:
res[i] = max(res[i], res[i - 1] + 1)
if i < n - 1 and ratings[i + 1] < ratings[i]:
res[i] = max(res[i], res[i + 1] + 1)
return sum(res)
问题2：跳跃游戏
存在一组非负整数，代表沿着一条线的一些点，每个整数表示该点上的最大跳跃长度。从起点，顺次朝着终点修改，每次从当前点开始，最多跳跃k个单位长度。如果终点可以到达，就返回最少跳跃次数。
解题思路：
问题可以看做是选择当前可到达范围中每个位置的下一步跳跃位置的最优解。具体做法如下：
1. 首先找到在当前范围内所有能够到达的点中跳跃次数最多的点，用它作为下一次的起跳点，因为该点能够跳跃的最远距离最远。
2. 当已遍历范围内的所有点都不能跳跃到达终点时结束遍历。
下面是可能实现的Python代码：
def jump(nums):
n = len(nums)
start = end = step = 0
while end < n - 1:
# 选择从当前可到达范围中跳跃次数最多者下一次起跳
farthest = max([i + nums[i] for i in range(start, end + 1)])
start, end = end + 1, farthest
# 每一次跳是一步
step += 1
return step
以上是两个基于贪心策略的问题，它们都是通过选取当前最优解，逐步将问题变为局部最优解，并最终得到全局最优解。但是需要注意，贪心算法并不是解决所有问题的通用方法，根据具体问题来选择适合的算法才是关键。