LeetCode - 53. Maximum Subarray

很明显地，这是一道优化的问题，通常情况下可以使用动态规划解决。而当谈及动态规划的时候，一件很重要的事情就是找出子问题的结构以及每个子问题的状态。

一开始想到的子问题的结构为: maxSubArray(int nums[], int i, int j)，它表示数组中num[i: j]的最大子数组，使用这种表示，我们的目标就是找出maxsubArray(nums, 0, nums.length - 1)。然而，如果我们这样定义子问题结构的话，很难找到一种方法将原问题分割为多个子问题，而通过子问题的解可以创建原问题的解的方法。

所以我们修改了一下子问题的结构，变为maxSubArray(int[] nums, int i)，表示从0开始到i(注意这里一定是包括i的)的解。此时我们注意到子问题的结构并不如之前定义的那么灵活和强大，因为我们对它有了限制，就是第i个元素必须包括在当前的第i个子问题当中，这样我们也可以跟踪子问题的求解过程从而得到最大的子问题也就是全局问题的解，子问题之间的联系如下：

maxSubArray(nums, i) = maxSubArray(nums, i - 1) > 0 ? maxSubArray(nums, i - 1) : 0 + nums[i];

时间复杂度为O(n)，空间复杂度为O(n)，代码如下：

public class Solution {
    public int maxSubArray(int[] nums) {
        if(nums == null || nums.length == 0) return 0;
        
        int n = nums.length;
        int[] dp = new int[n];
        
        // Init
        dp[0] = nums[0];
        int max = nums[0];
        
        // DP
        for(int i = 1; i < n; i++){
            dp[i] = nums[i] + (dp[i - 1] > 0 ? dp[i - 1] : 0);
            max = Math.max(dp[i], max);
        }
        
        return max;
    }
}

知识点：

1. 动态规划问题很重要的一步就是寻找子问题的结构，子问题的结构并不是越灵活越好，最好有一定的限制性，这样可以方便写出