解题思路
为了最小化小R在徒步旅行中的食物花费，我们可以采用贪心算法。贪心算法的核心思想是：在每一步都做出当前看起来最优的选择，从而希望最终得到全局最优解。
具体来说，我们可以从第一天开始，逐步计算每天需要购买的食物数量。由于小R每天都需要消耗1份食物，并且最多只能携带 K 份食物，因此我们需要在每天的补给站做出最优的购买决策。
具体步骤
初始化 ：从第一天开始，初始化当前携带的食物数量为0，总花费为0。 遍历每一天 ：
- 如果当前携带的食物数量足够当天使用（即 `current_food >= 1`），则不需要购买食物。
- 如果当前携带的食物数量不足（即 `current_food < 1`），则需要购买食物。购买的数量为 `min(K - current_food, n - i)`，其中 `n - i` 是剩余的天数。
- 更新总花费和当前携带的食物数量。
返回总花费 。
具体代码
def minimum_cost(n, k, prices):
# 初始化当前携带的食物数量和总花费
current_food = 0
total_cost = 0
# 遍历每一天
for i in range(n):
# 如果当前携带的食物数量不足，需要购买食物
if current_food < 1:
# 计算需要购买的食物数量
buy_amount = min(k - current_food, n - i)
# 更新总花费
total_cost += buy_amount * prices[i]
# 更新当前携带的食物数量
current_food += buy_amount
# 每天消耗1份食物
current_food -= 1
return total_cost
# 测试样例
n = 5
k = 2
data = [1, 2, 3, 3, 2]
print(minimum_cost(n, k, data)) # 输出: 9
### 详细注释
**函数定义** ：
def minimum_cost(n, k, prices):
定义一个名为 `minimum_cost` 的函数，参数 `n` 是旅行的天数，`k` 是小R最多能携带的食物数量，`prices` 是每天补给站的食物价格列表。
**初始化变量** ：
current_food = 0
total_cost = 0
初始化当前携带的食物数量 `current_food` 为 0，总花费 `total_cost` 为 0。
**遍历每一天** ：
for i in range(n):
使用 `for` 循环遍历每一天。
**检查当前食物数量** ：
if current_food < 1:
如果当前携带的食物数量不足（即 `current_food < 1`），则需要购买食物。
**计算购买数量** ：
buy_amount = min(k - current_food, n - i)
计算需要购买的食物数量。购买的数量为 `min(k - current_food, n - i)`，其中 `k - current_food` 是当前可以携带的最大食物数量，`n - i` 是剩余的天数。
**更新总花费** ：
total_cost += buy_amount * prices[i]
更新总花费，即购买的食物数量乘以当天的食物价格。
**更新当前携带的食物数量** ：
current_food += buy_amount
更新当前携带的食物数量。
**每天消耗1份食物** ：
current_food -= 1
每天消耗1份食物。
**返回总花费** ：
return total_cost
返回总花费。
**测试样例** ：
n = 5
k = 2
data = [1, 2, 3, 3, 2]
print(minimum_cost(n, k, data)) # 输出: 9
定义一个测试样例，并调用 `minimum_cost` 函数，打印出结果。
算法分析
- 时间复杂度 ：O(n)，其中 n 是旅行的天数。我们只需要遍历一次
prices列表，对每个元素进行常数时间的操作。 - 空间复杂度 ：O(1)，我们只使用了常数级别的额外空间来存储变量
current_food和total_cost。
这个算法通过贪心策略，在每一步都做出最优的选择，从而保证了最终的总花费最小。
