三种方法求最大连续子数组的和

转载自：http://blog.csdn.net/ns_code/article/details/20942045

这是一道考的烂的不能再烂的题目，但是依然有很多公司乐于将这样的题目作为笔试或面试题，足见其经典。

    问题是这样的：一个整数数组中的元素有正有负，在该数组中找出一个连续子数组，要求该连续子数组中各元素的和最大，这个连续子数组便被称作最大连续子数组。比如数组{2,4,-7,5,2,-1,2,-4,3}的最大连续子数组为{5,2,-1,2}，最大连续子数组的和为5+2-1+2=8。

    下面按照时间复杂度逐步优化的顺序依次给出这三种算法。

暴力求解法

    该方法的思想非常简单，先找出从第1个元素开始的最大子数组，而后再从第2个元素开始找出从第2个元素开始的最大子数组，依次类推，比较得出最大的子数组。实现代码如下：

[cpp] view plain copy print ?

1. /* 
2. 常规方法,时间复杂度O（n*n） 
3. 先从第一个元素开始向后累加， 
4. 每次累加后与之前的和比较，保留最大值， 
5. 再从第二个元素开始向后累加，以此类推。 
6. */  
7. int MaxSubSum1(int *arr,int len)  
8. {  
9.     int i,j;  
10.     int MaxSum = 0;  
11.     //每次开始累加的起始位置的循环   
12.     for(i=0;i<len;i++)  
13.     {  
14.         int CurSum = 0;  
15.         //向后累加的循环   
16.         for(j=i;j<len;j++)  
17.         {  
18.             CurSum += arr[j];  
19.             if(CurSum > MaxSum)  
20.                 MaxSum = CurSum;  
21.         }  
22.     }  
23.     return MaxSum;  
24. }  

/*
常规方法,时间复杂度O（n*n）
先从第一个元素开始向后累加，
每次累加后与之前的和比较，保留最大值，
再从第二个元素开始向后累加，以此类推。
*/
int MaxSubSum1(int *arr,int len)
{
	int i,j;
	int MaxSum = 0;
	//每次开始累加的起始位置的循环
	for(i=0;i<len;i++)
	{
		int CurSum = 0;
		//向后累加的循环
		for(j=i;j<len;j++)
		{
			CurSum += arr[j];
			if(CurSum > MaxSum)
				MaxSum = CurSum;
		}
	}
	return MaxSum;
}

    很明显地可以看出，该方法的时间复杂度为O（n*n）。

分治求解法

    考虑将数组从中间分为两个子数组，则最大子数组必然出现在以下三种情况之一：

    1、完全位于左边的数组中。

    2、完全位于右边的数组中。

    3、跨越中点，包含左右数组中靠近中点的部分。

    递归将左右子数组再分别分成两个数组，直到子数组中只含有一个元素，退出每层递归前，返回上面三种情况中的最大值。实现代码如下：

[cpp] view plain copy print ?

1. /* 
2. 求三个数中的最大值 
3. */  
4. int Max3(int a,int b,int c)  
5. {  
6.     int Max = a;  
7.     if(b > Max)  
8.         Max = b;  
9.     if(c > Max)  
10.         Max = c;  
11.     return Max;  
12. }  
13.   
14. /* 
15. 次优算法，采用分治策略 
16. */  
17. int MaxSubSum2(int *arr,int left,int right)  
18. {  
19.     int MaxLeftSum,MaxRightSum; //左右边的最大和   
20.     int MaxLeftBorderSum,MaxRightBorderSum; //含中间边界的左右部分最大和   
21.     int LeftBorderSum,RightBorderSum;   //含中间边界的左右部分当前和   
22.     int i,center;  
23.   
24.     //递归到最后的基本情况   
25.     if(left == right)  
26.         if(arr[left]>0)  
27.             return arr[left];  
28.         else  
29.             return 0;  
30.   
31.     //求含中间边界的左右部分的最大值   
32.     center = (left + right)/2;  
33.     MaxLeftBorderSum = 0;  
34.     LeftBorderSum = 0;  
35.     for(i=center;i>=left;i--)  
36.     {  
37.         LeftBorderSum += arr[i];  
38.         if(LeftBorderSum > MaxLeftBorderSum)  
39.             MaxLeftBorderSum = LeftBorderSum;  
40.     }  
41.     MaxRightBorderSum = 0;  
42.     RightBorderSum = 0;  
43.     for(i=center+1;i<=right;i++)  
44.     {  
45.         RightBorderSum += arr[i];  
46.         if(RightBorderSum > MaxRightBorderSum)  
47.             MaxRightBorderSum = RightBorderSum;  
48.     }  
49.   
50.     //递归求左右部分最大值   
51.     MaxLeftSum = MaxSubSum2(arr,left,center);  
52.     MaxRightSum = MaxSubSum2(arr,center+1,right);  
53.   
54.     //返回三者中的最大值   
55.     return Max3(MaxLeftSum,MaxRightSum,MaxLeftBorderSum+MaxRightBorderSum);  
56. }  
57.   
58. /* 
59. 将分支策略实现的算法封装起来 
60. */  
61. int MaxSubSum2_1(int *arr,int len)  
62. {  
63.     return MaxSubSum2(arr,0,len-1);  
64. }  

/*
求三个数中的最大值
*/
int Max3(int a,int b,int c)
{
	int Max = a;
	if(b > Max)
		Max = b;
	if(c > Max)
		Max = c;
	return Max;
}

/*
次优算法，采用分治策略
*/
int MaxSubSum2(int *arr,int left,int right)
{
	int MaxLeftSum,MaxRightSum;	//左右边的最大和
	int MaxLeftBorderSum,MaxRightBorderSum;	//含中间边界的左右部分最大和
	int LeftBorderSum,RightBorderSum;	//含中间边界的左右部分当前和
	int i,center;

	//递归到最后的基本情况
	if(left == right)
		if(arr[left]>0)
			return arr[left];
		else
			return 0;

	//求含中间边界的左右部分的最大值
	center = (left + right)/2;
	MaxLeftBorderSum = 0;
	LeftBorderSum = 0;
	for(i=center;i>=left;i--)
	{
		LeftBorderSum += arr[i];
		if(LeftBorderSum > MaxLeftBorderSum)
			MaxLeftBorderSum = LeftBorderSum;
	}
	MaxRightBorderSum = 0;
	RightBorderSum = 0;
	for(i=center+1;i<=right;i++)
	{
		RightBorderSum += arr[i];
		if(RightBorderSum > MaxRightBorderSum)
			MaxRightBorderSum = RightBorderSum;
	}

	//递归求左右部分最大值
	MaxLeftSum = MaxSubSum2(arr,left,center);
	MaxRightSum = MaxSubSum2(arr,center+1,right);

	//返回三者中的最大值
	return Max3(MaxLeftSum,MaxRightSum,MaxLeftBorderSum+MaxRightBorderSum);
}

/*
将分支策略实现的算法封装起来
*/
int MaxSubSum2_1(int *arr,int len)
{
	return MaxSubSum2(arr,0,len-1);
}

    设该算法的时间复杂度为T（n）,则：

T（n）= 2T（n/2）+ O（n），且T（1）= 1。

    逐步递推得到时间复杂度T（n）= O（nlogn）。

线性时间算法

    该算法在每次元素累加和小于0时，从下一个元素重新开始累加。实现代码如下：

[cpp] view plain copy print ?

1. /* 
2. 最优方法，时间复杂度O（n） 
3. 和最大的子序列的第一个元素肯定是正数 
4. 因为元素有正有负，因此子序列的最大和一定大于0 
5. */  
6. int MaxSubSum3(int *arr,int len)  
7. {  
8.     int i;  
9.     int MaxSum = 0;  
10.     int CurSum = 0;  
11.     for(i=0;i<len;i++)  
12.     {  
13.         CurSum += arr[i];  
14.         if(CurSum > MaxSum)  
15.             MaxSum = CurSum;  
16.         //如果累加和出现小于0的情况，   
17.         //则和最大的子序列肯定不可能包含前面的元素，   
18.         //这时将累加和置0，从下个元素重新开始累加   
19.         if(CurSum < 0)  
20.             CurSum = 0;  
21.     }  
22.     return MaxSum;  
23. }  

/*
最优方法，时间复杂度O（n）
和最大的子序列的第一个元素肯定是正数
因为元素有正有负，因此子序列的最大和一定大于0
*/
int MaxSubSum3(int *arr,int len)
{
	int i;
	int MaxSum = 0;
	int CurSum = 0;
	for(i=0;i<len;i++)
	{
		CurSum += arr[i];
		if(CurSum > MaxSum)
			MaxSum = CurSum;
		//如果累加和出现小于0的情况，
		//则和最大的子序列肯定不可能包含前面的元素，
		//这时将累加和置0，从下个元素重新开始累加
		if(CurSum < 0)
			CurSum = 0;
	}
	return MaxSum;
}

    显然，该算法的时间复杂度O（n）。该算法理解起来应该不难，但是要想出来可就不容易了。另外，该算法的一个附带的有点是：它只对数据进行一次扫描，一旦元素被读入并被处理，它就不再需要被记忆。因此，如果数组在磁盘或磁带上，他就可以被顺序读入，在主存中不必存储数组的任何部分。不仅如此，在任意时刻，该算法都能对它已经读入的数据给出最大子数组（另外两种算法不具有这种特性）。具有这种特性的算法叫做联机算法。