最大连续子序列和（动态规划 -- 经典Kadane算法）

如果采用暴力枚举，面对大规模数据会暴雷

---

！推荐使用经典Kadane算法：

        大致思想：

1、用nums[0]初始化 current_max 和 global_max

2、用max（nums[i] , nums[i] + current_max]）进行判断是否要更换连续序列的开头（理解关键）

---

举个例子：       

        # 最开始我们从 nums[0] 开始寻找，假设 nums[1] > nums[0] + 1：

        # 那么我们从 nums[1] 开始重新寻找最长连续子序列，而不是之前的从 nums[0]开始寻找满足条件的连续序列；后续套用逻辑

# 经典方法：Kadane 算法（动态规划思想）

# 连续子序列指的是数组中连续的一段
# 重点是理清两个max的关系


def max_subarray_sum(nums):
    global_max = current_max = nums[0]
    for i in range(1, len(nums)):
        current_max = max(nums[i], current_max + nums[i]) 
        global_max = max(global_max, current_max) # 时刻更新global_max, 也可以使用if判断替代
    return global_max

nums = [-2,1,-3,4,-1,2,1,-5,4]
print(max_subarray_sum(nums))  

'''
关键理解：
        current_max = max(nums[i], current_max + nums[i]) 
        # 最开始我们从nums[0]开始寻找，假设nums[1] > nums[0] + 1：
        # 那么我们从nums[1]开始重新寻找最长连续子序列；后面套用逻辑

'''