0013算法笔记——【动态规划】最大子段和问题，最大子矩阵和问题，最大m子段和问题
1、最大子段和问题
问题定义：对于给定序列a1,a2,a3……an,寻找它的某个连续子段，使得其和最大。如( -2,11,-4,13,-5,-2 )最大子段是{ 11,-4,13 }其和为20。
(1)枚举法求解
枚举法思路如下：
以a[0]开始: {a[0]}, {a[0],a[1]},{a[0],a[1],a[2]}……{a[0],a[1],……a[n]}共n个
以a[1]开始: {a[1]}, {a[1],a[2]},{a[1],a[2],a[3]}……{a[1],a[2],……a[n]}共n-1个
……
以a[n]开始:{a[n]}共1个
一共(n+1)*n/2个连续子段，使用枚举，那么应该可以得到以下算法：
具体代码如下：
//3d4-1 最大子段和问题的简单算法
#include "stdafx.h"
#include
using namespace std;
int MaxSum(int n,int *a,int& besti,int& bestj);
int main()
{
int a[] = {-2,11,-4,13,-5,-2};
for(int i=0; i<6; i++)
{
cout<sum)//求最大子段和
{
sum = thissum;
besti = i;
bestj = j;
}
}
}
return sum;
} 从这个算法的三个for循环可以看出，它所需要的计算时间是O(n^3)。事实上，如果注意到，则可将算法中的最后一个for循环省去，避免重复计算，从而使算法得以改进。改进后的代码如下：
//3d4-2 最大子段和问题的避免重复的简单算法
#include "stdafx.h"
#include
using namespace std;
int MaxSum(int n,int *a,int& besti,int& bestj);
int main()
{
int a[] = {-2,11,-4,13,-5,-2};
for(int i=0; i<6; i++)
{
cout<sum)
{
sum = thissum;
besti = i;
bestj = j;
}
}
}
return sum;
} (2)分治法求解
分治法思路如下：
将序列a[1:n]分成长度相等的两段a[1:n/2]和a[n/2+1:n],分别求出这两段的最大字段和，则a[1:n]的最大子段和有三中情形：
[1]、a[1:n]的最大子段和与a[1:n/2]的最大子段和相同；
[2]、a[1:n]的最大子段和与a[n/2+1:n]的最大子段和相同；
[3]、a[1:n]的最大字段和为，且1<=i<=n/2,n/2+1<=j<=n。
可用递归方法求得情形[1],[2]。对于情形[3],可以看出a[n/2]与a[n/2+1]在最优子序列中。因此可以在a[1:n/2]中计算出，并在a[n/2+1:n]中计算出。则s1+s2即为出现情形[3]时的最优值。
具体代码如下：
//3d4-1 最大子段和问题的分治算法
#include "stdafx.h"
#include
using namespace std;
int MaxSubSum(int *a,int left,int right);
int MaxSum(int n,int *a);
int main()
{
int a[] = {-2,11,-4,13,-5,-2};
for(int i=0; i<6; i++)
{
cout<0?a[left]:0;
}
else
{
int center = (left+right)/2;
int leftsum = MaxSubSum(a,left,center);
int rightsum = MaxSubSum(a,center+1,right);
int s1 = 0;
int lefts = 0;
for(int i=center; i>=left;i--)
{
lefts += a[i];
if(lefts>s1)
{
s1=lefts;
}
}
int s2 = 0;
int rights = 0;
for(int i=center+1; i<=right;i++)
{
rights += a[i];
if(rights>s2)
{
s2=rights;
}
}
sum = s1+s2;
if(sum 算法所需的计算时间T(n)满足一下递归式：
解此递归方程可知：T(n)=O(nlogn)。
(3)动态规划算法求解
算法思路如下：
记，则所求的最大子段和为：
由b[j]的定义知，当b[j-1]>0时，b[j]=b[j-1]+a[j]，否则b[j]=a[j]。由此可得b[j]的动态规划递推式如下：
b[j]=max{b[j-1]+a[j],a[j]},1<=j<=n。
具体代码如下：
//3d4-1 最大子段和问题的动态规划算法
#include "stdafx.h"
#include
using namespace std;
int MaxSum(int n,int *a);
int main()
{
int a[] = {-2,11,-4,13,-5,-2};
for(int i=0; i<6; i++)
{
cout<0)
{
b+=a[i];
}
else
{
b=a[i];
}
if(b>sum)
{
sum = b;
}
}
return sum;
} 上述算法的时间复杂度和空间复杂度均为O(n)。
2、最大子矩阵和问题
(1)问题描述：给定一个m行n列的整数矩阵A，试求A的一个子矩阵，时期各元素之和为最大。
(2)问题分析：
用二维数组a[1:m][1:n]表示给定的m行n列的整数矩阵。子数组a[i1:i2][j1:j2]表示左上角和右下角行列坐标分别为(i1,j1)和(i2,j2)的子矩阵，其各元素之和记为：
最大子矩阵问题的最优值为。如果用直接枚举的方法解最大子矩阵和问题，需要O(m^2n^2)时间。注意到，式中，，设，则
容易看出，这正是一维情形的最大子段和问题。因此，借助最大子段和问题的动态规划算法MaxSum，可设计出最大子矩阵和动态规划算法如下:
//3d4-5 最大子矩阵之和问题
#include "stdafx.h"
#include
using namespace std;
const int M=4;
const int N=3;
int MaxSum(int n,int *a);
int MaxSum2(int m,int n,int a[M][N]);
int main()
{
int a[][N] = {{4,-2,9},{-1,3,8},{-6,7,6},{0,9,-5}};
for(int i=0; isum)
{
sum = max;
}
}
}
}
return sum;
}
int MaxSum(int n,int *a)
{
int sum=0,b=0;
for(int i=1; i<=n; i++)
{
if(b>0)
{
b+=a[i];
}
else
{
b=a[i];
}
if(b>sum)
{
sum = b;
}
}
return sum;
}
3、最大m子段和问题
(1)问题描述：给定由n个整数(可能为负数)组成的序列a1,a2,a3……an,以及一个正整数m,要求确定此序列的m个不相交子段的总和达到最大。最大子段和问题是最大m字段和问题当m=1时的特殊情形。
(2)问题分析：设b(i,j)表示数组a的前j项中i个子段和的最大值，且第i个子段含a[j](1<=i<=m,i<=j<=n),则所求的最优值显然为。与最大子段问题相似，计算b(i,j)的递归式为：
其中，表示第i个子段含a[j-1],而项表示第i个子段仅含a[j]。初始时，b(0,j)=0,(1<=j<=n);b(i,0)=0,(1<=i<=m)。
具体代码如下：
//3d4-6 最大m子段问题
#include "stdafx.h"
#include
using namespace std;
int MaxSum(int m,int n,int *a);
int main()
{
int a[] = {0,2,3,-7,6,4,-5};//数组脚标从1开始
for(int i=1; i<=6; i++)
{
cout<i)
{
b[i][j] = b[i][j-1] + a[j];//代表a[j]同a[j-1]一起，都在最后一子段中
for(int k=i-1; k 上述算法的时间复杂度为O(mn^2)，空间复杂度为O(mn)。其实，上述算法中，计算b[i][j]时，只用到了数组b的第i-1行和第i行的值。因而，算法中只要存储数组b的当前行，不必存储整个数组。另一方面，的值可以在计算i-1行时预先计算并保存起来。计算第i行的值时不必重新计算，节省了计算时间和空间。因此，算法可继续改进如下：
//3d4-7 最大m子段问题
#include "stdafx.h"
#include
using namespace std;
int MaxSum(int m,int n,int *a);
int main()
{
int a[] = {0,2,3,-7,6,4,-5};//数组脚标从1开始
for(int i=1; i<=6; i++)
{
cout<c[j-1]?b[j-1]+a[j]:c[j-1]+a[j];
c[j-1] = max;//预先保存第j-1行的最大j-1子段和
if(max 上述算法时间复杂度为O(m(n-m))，空间复杂度为O(n)。当m或n-m为常数时，时间复杂度和空间复杂度均为O(n)。