「貪婪演算法（greedy algorithm / greedy method）」指的是依照每個步驟「當下」的狀況找到最佳解，但若從大局來看，可能不是最佳的解決方案。
現假設要在下圖中，找出從 A 走到 D 的最短路徑：
根據「貪婪演算法」，從 A 出發時最短路徑長為 2，取該路徑到 B；從 B 離開時最短路徑長為 1，取該路徑到 C；從 C 離開時唯一的選擇路徑長為 3，取該路徑到 D，最短路徑為 A→B→C→D，總路徑長為 2+1+3=6，但若從大局來看（例如利用「Dijkstra 演算法」），可發現 A 到 D 的最短路徑長應為 5。
範例一：Job Sequencing with Deadlines
現有一工作列表，表中資訊包含完成每個項目的獲利（profit）與截止日期（deadline），假設有 D1、D2、D3、D4 個工作天，試安排每天的工作項目，使獲利最大化。
步驟：
- 獲利最大者為 J4，且截止日為 D1，故將 J4 安排在 D1。
- 獲利次大者為 J1，截止日為 D3，雖也可安排在 D2，但為了讓 D2 可用來做其他事情，故將 J1 安排在 D3。
- 獲利第三大者為 J2，截止日為 D2，故將 J2 安排在 D2。
- 獲利第四大者為 J3，但 J3 的截止日為 D3，無法安排進 D4，因此捨棄 J3，改選獲利第五大、且截止日在 D4 的 J5 至 D4 中。
範例二：Fractional Knapsack Problem
假設有一背包，最多可裝 15 公斤的物品，現有各物品與其價值（value）、重量（weight）資訊列表如下：
試在未超重的情況下，使背包中所裝物品的價值為最高。與「0/1 背包問題（0/1 Knapsack problem）」不同的是，每項物品可以僅取其中一部分。
步驟：
- 計算各物品每重量單位的價值。
- 選擇每重量單位價值最高的 A，目前價值為 30、仍有 13 公斤可用。
- 選擇每重量單位價值次高的 E，目前價值為 40、仍有 12 公斤可用。
- 選擇每重量單位價值第三高的 D，目前價值為 85、仍有 7 公斤可用。
- 選擇每重量單位價值第四高的 C，目前價值為 97、仍有 4 公斤可用。
- 選擇每重量單位價值第五高的 B，但因僅剩 4 重量單位可用，因此僅取 B 的 4/6，價值為 12，總價值為 109，至此 15 公斤的背包全部裝滿，且裝的物品為價值最高的組合。
