给定一个整数数组 nums
,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
看到一个形象的比喻:
假设你是一个选择性遗忘的赌徒,数组nums表示你这几天来赢钱或者输钱
sum——表示这几天来的输赢,
max——存储你手里赢到的最多的钱,
如果昨天你手上还是输钱(sum < 0),你忘记它,明天继续赌钱;
如果你手上是赢钱(sum > 0), 你记得,你继续赌钱;
如果一直输钱,那么就记得输的最少的一次min(nums)
通常,解答这类题目[a,b,c,d,e]
避免不了遍历,有如下三种遍历子串或子序列方式:
以某个节点开头遍历; 如 [a]
,[a, b]
,[ a, b, c]
…
适用于暴力解法
基于长度遍历;如先遍历出子序列长度为 1 的子序列,在遍历出长度为 2 的 等等。
以子序列的结束节点为基准遍历;如b
为结束点的所有子序列: [a , b]
[b]
——DP核心
暴力法**(空间复杂度O(1),时间复杂度O( o 2 o^2 o2))
注意边界条件
for i in range(1,n):
sum_=nums[i]
for j in range(i+1,n):
max_=max(max_,sum_)
sum_+=num[j]
贪心法(空间复杂度O(1),时间复杂度O( n n n))
从左向右迭代,一个个数字加过去,若sum<0,重新开始找字符串
sum_=max_=nums[0]
for i in range(1,len(nums)):
if sum_<0:
sum_=nums[i]
max_=max(max_,sum_)
else:
sum_+=nums[i]
max_=max(max_,sum_)
print(max_)
分治法(空间复杂度O(1),时间复杂度O( n l o g n nlogn nlogn))
问题特征
问题规模缩小到一定程度可容易解决
问题可分解为若干规模较小的相同问题,即该问题具有最优子结构性质
子问题的解可合并为该问题的解
注:分治法完全取决于条件3。若不满足,则考虑使用DP或贪心
子问题相互独立,即互相之间不包含公共子问题
注:若不独立,分治法需要多次重复求解公共子问题,故动态规划较好。
步骤:
Divide-and-Conquer(P)
1. if |P|≤n0 #|P|:问题P的规模,n0阈值,当规模<阈值时,问题可直接解出,不必分解。
2. then return(ADHOC(P)) #ADHOC(P)基本子算法
3. 将P分解为较小的子问题 P1 ,P2 ,...,Pk
4. for i←1 to k
5. do yi ← Divide-and-Conquer(Pi) △ 递归解决Pi
6. T ← MERGE(y1,y2,...,yk) △ 合并子问题
7. return(T)
问题解决(最大序列和)
子问题不相互独立,重复求解公共问题
'''将序列一分为2,其最大子序列和不是在序列左边,便是在其右边,或跨中间
跨中间单独考虑:用贪心法来解决
'''
class Solution:
def maxSubArray(self, nums: list) -> int:
if len(nums)==1:
return nums[0]
else:
mid=len(nums)//2
max_l=self.maxSubArray(nums[0:mid])
max_r=self.maxSubArray(nums[mid:len(nums)])
#跨中心
leftmax=nums[mid-1]
sum_l=0
for i in range(mid-1,-1,-1):
sum_l+=nums[i]
leftmax=max(sum_l,leftmax)
rightmax=nums[mid]
sum_r=0
for i in range(mid,len(nums)):
sum_r+=nums[i]
rightmax=max(sum_r,rightmax)
max_mid=leftmax+rightmax
return max(max_l,max_r,max_mid)
动态规划(空间复杂度O( n n n),时间复杂度O( n n n))
dp[i]表示nums中以nums[i]为结尾的最大子序和
dp[i]=max(dp[i-1]+num[i],num[i]);
dp=[nums[0]]
for i in range(1,len(nums)):
dp.append(max(dp[i-1]+nums[i],nums[i]))
return max(dp)
#另一种写法:空间复杂度变为O(1)
max_=sum_=nums[0]
for i in range(1,len(nums)):
if sum_+nums[i]>nums[i]:
sum_+=nums[i]
else:
sum_=nums[i]
max_=max(max_,sum_)
return max_