最大子序列和问题 一步一步到最优
在《数据结构和算法分析 C++描述》上看到了一个例子。看过之后，我就在想，这是怎么一步一步的递推出来的，想了好长时间，才整理成这篇博文。
问题描述：
给定一个整数序列，a0, a1, a2, …… , an（项可以为负数），求其中最大的子序列和。如果所有整数都是负数，那么最大子序列和为0；
例如：对于序列-2， 11， -4， 13， -5， –2。 所求的最大子序列和为20（从11到13，即从a1到a3）。
用于测试下面代码的的主函数代码如下：（注意要更改调用的函数名）
int main(int argc, char **argv) {
vector a;
a.push_back(-2);
a.push_back(11);
a.push_back(-4);
a.push_back(13);
a.push_back(-5);
a.push_back(-2);
int result;
result = maxSubSum1(a); //在这里更改调用的函数名
cout< 方法一：对所有的子序列求和，在其中找到最大的
这是最容易想到的，也是最直接的，就是对所有的子序列求和，代码如下：
/**
* 方法 1：计算所有两点之间的序列之和，每次循环固定i，把a[i]当做起点
*/
int maxSubSum1( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
}
}
}
return maxSum;
} 分析：
① 三层循环嵌套，时间复杂度为O(n^3)；
② 包含有大量的重复计算，例如i=1时： 当 j=3，则计算a1+a2+a3；j=4，则计算a1+a2+a3+a4；其中a1+a2+a3是重复计算的。
另一种思路：上面的方法在每一次循环中，固定i，并把a[i]当做起点，下面的方法将a[i]当做终点。
/**
* 方法 1_2：每次循环固定i，把a[i]当做终点
*/
int maxSubSum1_2( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
}
}
}
}
return maxSum;
} 方法二：从某点开始的所有序列中，找最大的
如果你意识到，子序列总要有一个位置开始，那么变换一下循环方式，只要求出在所有位置开始的子序列，找到最大的。代码如下：
/**
* 方法 2：从某一个节点开始的序列中，找最大的子序列和
*/
int maxSubSum2( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
}
}
}
return maxSum;
} 分析：
① 两层循环嵌套，时间复杂度为O(n^2)；
② 虽然比方法一要少，但同样包含重复计算。例如：当i=1时，要计算a1+a2+a3+a4+……；当i=2时，要计算a2+a3+a4+……；其中a2+a3+a4+……是重复的。
注意：下面是一个错误的方法，因为它的起始点固定了，每次都从a0开始，是不能保证遍历所有的子序列的。
/**
* 方法 2_2：（错误的方法）起始点固定了
*/
int maxSubSum2_2( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
}
}
}
return maxSum;
} 如果希望将固定终点，那么计算的时候就要从终点开始，依次往前累加。代码如下：
/**
* 方法 2_3：（正确的代码）从终点开始，依次往前累加
*/
int maxSubSum2_3( const vector &a ) {
int maxSum = 0;
for(int i=0; i=0; j-- ) {//从节点i开始，向前累加到结尾0
thisSum +=a[j];
if(thisSum>maxSum) {
maxSum = thisSum;
}
}
}
return maxSum;
} 方法三：从某一个正数开始
第一步：
到目前为止，题目的信息你只用到了：“最小子序列之和为0”（若有一项大于0，那么子序列的和一定大于或等于该项，也就大于0；因为若所有项都是负数，那么结果为0
如果你再挖掘一下题意：你就会发现，如果a[i]是负的，那么a[i]一定不是最终所有结果子序列的起始点。代码可以改造为：
/**
* 方法 3_1：如果a[i]是负数，那么不可能作为序列的起点
*/
int maxSubSum3_1( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
}
}
}
return maxSum;
} 第二步：
如果你又再一步发现：任何负的子序列，不可能作为最优子序列的前缀。
又因为上一步已经保证，序列以正数开头a[i]>0，所以若a[i]到a[j]之间元素的序列和 thisSum<=0时，则i+1和j之间元素不会为最优子序列的前缀，可以让i=j，即不需要判断在i和j之间元素开头。代码如下
/**
* 方法 3_2：任何负的子序列，不可能作为最优子序列的前缀
* （在上一步已经保证，序列以正数开头，所以若thisSum<=0，
* 那么可以令i=j，即不需要判断在i和j之间元素开头的序列）
*/
int maxSubSum3_2( const vector &a ) {
int maxSum = 0;
for(int i=0; imaxSum) {
maxSum = thisSum;
} else if( thisSum <= 0 ) { //（相对方法3_1 新添）
thisSum = 0;
i = j;
}
}
}
return maxSum;
}
第三步：
如果你又进一步发现：因为要求序列开始元素大于0，
若以a[i]开头的序列，a[i]>0，那么可以知道，所求的最终子序列一定不会以a[i+1]开始，
因为若到相同的元素终止，那么从a[i]开始序列，一定大于从a[i+1]开始的序列。因为s[i, k]=s[i+1, k]+a[i]
例如：a1+a2+a3>0，而又由于这时a1>0, 那么所求子序列一定不会以a2开始，因为从a1开始会更大。
更进一步，如若一个子序列thisSum>0（其中thisSum是从第m项到第n项的和），那么序列一定不会以a[m]和a[n]之间的项开始。
因为一直thisSum第一个元素a[m]是大于0的，且以a[m]开始的所有子序列都是大于0的，因为若存在子序列小于0，就会提前返回了。
例如：若程序执行到thisSum （为a2+a3+a4），若thisSum>0，则能说明，a2>0，并且a2+a3>0， a2+a3+a4>0。那么 也可以跳过a[m]和a[n]之间的项，即另 i=j。
/**
* 方法 3_3：若程序执行到thisSum （为a2+a3+a4），若thisSum>0，则能说明，a2>0，并且a2+a3>0， a2+a3+a4>0。
*/
int maxSubSum3_3( const vector &a ) {
int maxSum = 0;
for(int i=0; i0 ) { //（相对方法3_2 新添）
if(thisSum>maxSum) {
maxSum = thisSum;
}
i = j; //（相对方法3_2 新添）
} else if( thisSum <= 0 ) { //（相对方法3_1 新添）
thisSum = 0;
i = j;
}
}
}
return maxSum;
} 第四步：
最后如果你又了解一些程序结构上的优化的知识，那么你会发现下面的问题：
① 循环的分支可以改变一下，去除嵌套分支结构。
② 判断语句的分支中有共同部分，( i=j )，可以抽取出来。
以上两步以后，循环部分的代码编程 变成：
for(int i=0; imaxSum) {
maxSum = thisSum;
} else if( thisSum>0 ) {
//do nothing
} else if( thisSum <= 0 ) {
thisSum = 0;
}
i = j;
}
}
③ 下面这步非常重要，如果你发现，内层循环的循环变量j 和 外层循环的循环变量i 同步增长，那么你是否能够想到，外层循环可能没有存在的必要。 在这里到底能不能去除外层循环，取决于外层循环中是否有额外的工作要做。这里的额外工作是是if(a[i] <=0) 判断语句，如果你能发现内层循环的 if(thisSum < 0)的判断能够替代 if( a[i]<=0 ) 的工作。因为thisSum是由a[j]得到的。
到这里，代码就可以神奇的变为如下的形式：常量空间，线性时间
/**
* 方法 3_4：最终形式
*/
int maxSubSum3_4( const vector &a ) {
int maxSum = 0;
int thisSum = 0;
for(int j=0; jmaxSum) {
maxSum = thisSum;
} else if( thisSum>0 ) {
//do nothing
} else if( thisSum < 0 ) {
thisSum = 0;
}
}
return maxSum;
} 分析：
① 只有一层循环，时间复杂度为O(n)。常量空间，线性时间，这是最优解法。
方法四：分治算法（divide and conquer）
本方法和前面三种方法没有直接关系，只是思路的开阔。
因为最大子序列只可能出现在三个地方：①整个出现在原数组的左半部， 或者②整个出现在右半部， 或者③跨越中间、从左半部到右半部。
对于第①种和第②种情况，采用递归的方式可以解决。对于第③种情况，分别求出从中间位置开始的最大值然后相加即可。最后比较这三种情况的结果，三者的最大值就是所要求的结果。
/**
* 方法 4：分治策略
*/
//计算三个整数的最大值
int max3(int i, int j, int k){
return (i>j) ? ((i>k)?i:k) : ((j>k)?j:k);
}
//分治策略的递归函数
int maxSumRec( const vector &a, int left, int right ){
//终止条件
if( left==right ){
if( a[left]>0 ){ //如果该项大于0，才返回
return a[left];
}else{ //如果该项小于0，返回0
return 0;
}
}
//计算左半部 和 右半部
int center = (left+right)/2;
int maxLeftSum = maxSumRec(a, left, center);
int maxRightSum = maxSumRec(a, center+1, right);
//计算跨越中间
int maxLeftBorderSum=0, leftBorderSum=0;
for( int i=center; i>=left; i-- ){
leftBorderSum += a[i];
if(leftBorderSum > maxLeftBorderSum ){
maxLeftBorderSum = leftBorderSum;
}
}
int maxRightBorderSum=0, rightBorderSum=0;
for( int i=center+1; i<=right; i++ ){
rightBorderSum += a[i];
if(rightBorderSum > maxRightBorderSum ){
maxRightBorderSum = rightBorderSum;
}
}
//返回三个部分的最大值
return max3(maxLeftSum, maxRightSum, maxLeftBorderSum+maxRightBorderSum );
}
int maxSubSum4( const vector &a ) {
return maxSumRec( a, 0, a.size()-1 );
} 分析：
① 时间复杂度为O(n*logn)。时间复杂度的递归公式为：T(N) = 2T(N/2) + N。解方程可以得到 T(N)=O(N*logN)。（计算过程较复杂，没有深究的必要）
总结：
上面罗列的一步一步的演变过程，并不是绝对的因果关系，有可能你根本没有从方法一逐渐的演变，直接就能写出方法三的最后一种方法（最优解法）。
但是如果你没有直接写出来，那么你是否会考虑重构你的代码？其实在逐步追求优化的过程中，那感觉还是非常好的！
本文链接：http://blog.csdn.net/daheiantian/archive/2011/03/03/6453295.aspx