剑指offer --- 连续子数组的最大和

问题:HZ偶尔会拿些专业问题来忽悠那些非计算机专业的同学。今天测试组开完会后,他又发话了:在古老的一维模式识别中,常常需要计算连续子向量的最大和,当向量全为正数的时候,问题很好解决。但是,如果向量中包含负数,是否应该包含某个负数,并期望旁边的正数会弥补它呢?例如:{6,-3,-2,7,-15,1,2,2},连续子向量的最大和为8(从第0个开始,到第3个为止)。给一个数组,返回它的最大连续子序列的和,你会不会被他忽悠住?(子向量的长度至少是1)。

这是一个非常简单的DP问题。如果我们不知道dp解法的话,上来就是暴力穷举,这样的时间复杂度是很高的(O(n^3))。但是我们可以使用动态规划的方法得到最优解,时间复杂度仅为(O(n))。核心思想是:DP[ i ] = max(DP[ i-1 ] + A[ i ] , A[ i ])

我们可以理解一下他的核心思想,即如果之前的最大序列和DP[ i - 1 ]加上当前A[ i ]小于A[ i ]时,那么我们放弃之前的最大序列和DP[ i - 1 ],从A[ i ]开始计数。

知道以上的分析以后,代码很容易写出:

# -*- coding:utf-8 -*-
class Solution:
    def FindGreatestSumOfSubArray(self, array):
        # write code here
        l = len(array)
        dp = []
        dp.append(array[0])
        for i in range(1,l):
            dp.append(max(dp[i-1]+array[i],array[i]))
        return max(dp)
if __name__=='__main__':
    s = Solution()
    array = [6,-3,-2,7,-15,1,2,2]
    print (s.FindGreatestSumOfSubArray(array))

 

你可能感兴趣的:(剑指offer --- 连续子数组的最大和)