动态规划(4)最大连续子串问题

最大连续子串问题

   首先，要明白子串和子序列的区别。

1）子串（Substring）是串的一个连续的部分；

2）子序列（Subsequence）则是从不改变序列的顺序，而从序列中去掉任意的元素而获得的新序列；（关于求最长子序列的算法见博客：动态规划(5)-字符串相似度算法））

       最大连续子串问题是给定一组元素，求使得连续子串的值最大，比如最大连续和子串、最大连续乘积子串。这类问题可以用动态规划求解。下面举例说明如何求解这类问题。

最大连续和子串

例子：输入一个整型数组，数组里有正数也有负数。数组中一个或连续多个整数组成一个子数组。求所有子数组的和的最大值。

算法1：时间复杂度O(n*n)

maxsofar=pData[0];
for i=[0,n)
   sum=0;
   for j=[i,n){
      sum+=pData[j];
 maxsofar=max(maxsofar,sum);
   }//end for

算法2：动态规划，时间复杂度O(n)
1）最优子结构
记f[i]表示以第i个数字结尾的子数组的最大和，那么要求max{f[i]},其中0<=i<n。

假设f[i-1]是i-1时的最优解，则如何求f[i]时的最优解呢？

此时f[i]面临2种选择：一是与前面子数据相加，二是不与前面子数据相加，即f[i]=pData[i]。具体的：

当f[i-1]<=0时，如果把负数与pData[i]相加，得到的结果比pData[i]本身还要小，所以此时f[i]=pData[i]
当f[i-1]>0时，则pData[i]与正数相加，得到的结果比pData[i]本身大，所以此时f[i]=f[i-1]+pData[i]
2）迭代解
当i=0或者f[i-1]<=0时，
f[i]=pData[i]
当i!=0并且f[i-1]>0时，

f[i]=f[i-1]+pData[i]