股票问题Ⅰ
题目描述:
给定一个数组 prices
,它的第 i
个元素 prices[i]
表示一支给定股票第 i
天的价格。
你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。
返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0
。
示例 1:
输入:[7,1,5,3,6,4] 输出:5 解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。 注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。
示例 2:
输入:prices = [7,6,4,3,1] 输出:0 解释:在这种情况下, 没有交易完成, 所以最大利润为 0。
代码1贪心算法:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int low = INT_MAX;
int result = 0;
for (int i = 0; i < prices.size(); i++) {
low = min(low, prices[i]); // 取最左最小价格
result = max(result, prices[i] - low); // 直接取最大区间利润
}
return result;
}
};
代码2动态规划
class Solution {
public:
int maxProfit(vector<int>& prices) {
int len=prices.size();
if(len==0)return 0;
vector<vector<int>> dp(len,vector<int>(2));
dp[0][0]=-prices[0];
dp[0][1]=0;
for(int i=1;i<prices.size();i++){
dp[i][0]=max(dp[i-1][0],-prices[i]);
dp[i][1]=max(dp[i-1][1],dp[i-1][0]+prices[i]);
}
return dp[len-1][1];
}
};
1,确定dp数组(dp table)以及下标的含义
dp[i][0] 表示第i天持有股票所得最多现金 ,这里可能有同学疑惑,本题中只能买卖一次,持有股票之后哪还有现金呢?
其实一开始现金是0,那么加入第i天买入股票现金就是 -prices[i], 这是一个负数。
dp[i][1] 表示第i天不持有股票所得最多现金
注意这里说的是“持有”,“持有”不代表就是当天“买入”!也有可能是昨天就买入了,今天保持持有的状态
很多同学把“持有”和“买入”没区分清楚。
在下面递推公式分析中,我会进一步讲解。
2,确定递推公式
如果第i天持有股票即dp[i][0], 那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1][0]
- 第i天买入股票,所得现金就是买入今天的股票后所得现金即:-prices[i]
那么dp[i][0]应该选所得现金最大的,所以dp[i][0] = max(dp[i - 1][0], -prices[i]);
如果第i天不持有股票即dp[i][1], 也可以由两个状态推出来
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1][1]
- 第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1][0]
同样dp[i][1]取最大的,dp[i][1] = max(dp[i - 1][1], prices[i] + dp[i - 1][0]);
这样递推公式我们就分析完了
3,dp数组如何初始化
由递推公式 dp[i][0] = max(dp[i - 1][0], -prices[i]); 和 dp[i][1] = max(dp[i - 1][1], prices[i] + dp[i - 1][0]);可以看出
其基础都是要从dp[0][0]和dp[0][1]推导出来。
那么dp[0][0]表示第0天持有股票,此时的持有股票就一定是买入股票了,因为不可能有前一天推出来,所以dp[0][0] -= prices[0];
dp[0][1]表示第0天不持有股票,不持有股票那么现金就是0,所以dp[0][1] = 0;
4,确定遍历顺序
从递推公式可以看出dp[i]都是由dp[i - 1]推导出来的,那么一定是从前向后遍历。
5,举例推导dp数组
以示例1,输入:[7,1,5,3,6,4]为例,dp数组状态如下:
dp[5][1]就是最终结果。
股票问题Ⅱ
题目描述:
给你一个整数数组 prices
,其中 prices[i]
表示某支股票第 i
天的价格。
在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。
返回 你能获得的 最大 利润 。
示例 1:
输入:prices = [7,1,5,3,6,4] 输出:7 解释:在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4。 随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3。 最大总利润为 4 + 3 = 7 。
示例 2:
输入:prices = [1,2,3,4,5] 输出:4 解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4。 最大总利润为 4 。
示例 3:
输入:prices = [7,6,4,3,1] 输出:0 解释:在这种情况下, 交易无法获得正利润,所以不参与交易可以获得最大利润,最大利润为 0。
代码1贪心算法:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int result = 0;
for (int i = 1; i < prices.size(); i++) {
result += max(prices[i] - prices[i - 1], 0);
}
return result;
}
};
只计算上升的波段 ,下降的波段不计算
代码2贪心算法
class Solution {
public:
int maxProfit(vector<int>& prices) {
int result = 0; // 初始化累计利润为0
// 遍历每一天的价格
for (int i = 0; i < prices.size(); i++) {
int j = 0;
int temp = 0; // 临时变量,用于计算当前买卖的利润
// 内层循环寻找价格下降的点
for (j = i; j < prices.size() - 1; j++) {
// 如果发现价格下降,则停止继续寻找
if (prices[j + 1] < prices[j]) {
break;
}
}
// 计算这段时间内的利润:卖出价格 - 买入价格
temp = prices[j] - prices[i];
// 累计到总利润中
result += temp;
// 更新i以避免重复计算
i = j;
}
// 返回计算出的最大利润
return result;
}
};
代码3动态规划:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int len=prices.size();
if(len==0)return 0;
vector<vector<int>> dp(len,vector<int>(2));
dp[0][0]=-prices[0];
dp[0][1]=0;
for(int i=1;i<prices.size();i++){
dp[i][0]=max(dp[i-1][0],dp[i-1][1]-prices[i]);
dp[i][1]=max(dp[i-1][1],dp[i-1][0]+prices[i]);
}
return dp[len-1][1];
}
};
- dp[i][0] 表示第i天持有股票所得现金。
- dp[i][1] 表示第i天不持有股票所得最多现金
如果第i天持有股票即dp[i][0], 那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1][0]
- 第i天买入股票,所得现金就是昨天不持有股票的所得现金减去 今天的股票价格 即:dp[i - 1][1] - prices[i]
注意这里和121. 买卖股票的最佳时机 (opens new window)唯一不同的地方,就是推导dp[i][0]的时候,第i天买入股票的情况。
在121. 买卖股票的最佳时机 (opens new window)中,因为股票全程只能买卖一次,所以如果买入股票,那么第i天持有股票即dp[i][0]一定就是 -prices[i]。
/*而本题,因为一只股票可以买卖多次,所以当第i天买入股票的时候,所持有的现金可能有之前买卖过的利润。
那么第i天持有股票即dp[i][0],如果是第i天买入股票,所得现金就是昨天不持有股票的所得现金 减去 今天的股票价格 即:dp[i - 1][1] - prices[i]。
也就是从1-->0的过程,从有到无,如果是dp[i][0]=dp[i-1][1]-prices[i];*/
再来看看如果第i天不持有股票即dp[i][1]的情况, 依然可以由两个状态推出来
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1][1]
- 第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1][0]
注意这里和121. 买卖股票的最佳时机 (opens new window)就是一样的逻辑,卖出股票收获利润(可能是负值)天经地义!
股票问题Ⅲ
题目描述:
给定一个数组,它的第 i
个元素是一支给定的股票在第 i
天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。
注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
示例 1:
输入:prices = [3,3,5,0,0,3,1,4] 输出:6 解释:在第 4 天(股票价格 = 0)的时候买入,在第 6 天(股票价格 = 3)的时候卖出,这笔交易所能获得利润 = 3-0 = 3 。 随后,在第 7 天(股票价格 = 1)的时候买入,在第 8 天 (股票价格 = 4)的时候卖出,这笔交易所能获得利润 = 4-1 = 3 。
示例 2:
输入:prices = [1,2,3,4,5] 输出:4 解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。 注意你不能在第 1 天和第 2 天接连购买股票,之后再将它们卖出。 因为这样属于同时参与了多笔交易,你必须在再次购买前出售掉之前的股票。
示例 3:
输入:prices = [7,6,4,3,1] 输出:0 解释:在这个情况下, 没有交易完成, 所以最大利润为 0。
示例 4:
输入:prices = [1] 输出:0
代码
class Solution {
public:
int maxProfit(vector<int>& prices) {
if (prices.size() == 0) return 0;
vector<vector<int>> dp(prices.size(), vector<int>(5, 0));
dp[0][1] = -prices[0];
dp[0][3] = -prices[0];
// 输出初始状态
printDP(dp, 0);
for (int i = 1; i < prices.size(); i++) {
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]);
dp[i][2] = max(dp[i - 1][2], dp[i - 1][1] + prices[i]);
dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] - prices[i]);
dp[i][4] = max(dp[i - 1][4], dp[i - 1][3] + prices[i]);
// 输出当前天的dp状态
printDP(dp, i);
}
return dp[prices.size() - 1][4];
}
void printDP(const vector<vector<int>>& dp, int day) {
cout << "Day " << day << ": ";
for (int i = 0; i < 5; ++i) {
cout << dp[day][i] << " ";
}
cout << endl;
}
};
状态定义
在解决这个问题的过程中,我们用一个二维数组 dp[i][j]
来表示在第 i
天的状态,其中 j
从0到4表示不同的状态:
dp[i][0]
: 第i
天没有做任何交易,且不持有股票。dp[i][1]
: 第i
天进行了第一次交易持有股票(相当于买了一次)。dp[i][2]
: 第i
天完成了第一次交易(买入并卖出,结束手上没有股票)。dp[i][3]
: 第i
天进行了第二次交易持有股票(第二次买入)。dp[i][4]
: 第i
天完成了第二次交易(第二次交易也结束,不持有股票)。
转移方程
对于每一个 i
天具体的状态 j
,我们有以下状态转移,匹配每一步:
dp[i][0]
: 始终为0,表示没有交易。dp[i][1]
:max(dp[i-1][1], dp[i-1][0] - prices[i])
- 要么保持前一天的持股状态
dp[i-1][1]
(即不操作),要么在今天买入dp[i-1][0] - prices[i]
。买入从未持股状态转到持股状态。
- 要么保持前一天的持股状态
dp[i][2]
:max(dp[i-1][2], dp[i-1][1] + prices[i])
- 要么保持昨天卖过一次不持股状态
dp[i-1][2]
,要么在今天将昨天持股卖掉:dp[i-1][1] + prices[i]
。
- 要么保持昨天卖过一次不持股状态
dp[i][3]
:max(dp[i-1][3], dp[i-1][2] - prices[i])
- 要么保持昨天的持股状态
dp[i-1][3]
,要么在今天重新买入:dp[i-1][2] - prices[i]
。
- 要么保持昨天的持股状态
dp[i][4]
:max(dp[i-1][4], dp[i-1][3] + prices[i])
- 要么保持昨天不持股的状态
dp[i-1][4]
,要么在今天卖出,即完成第二次交易:dp[i-1][3] + prices[i]
。
- 要么保持昨天不持股的状态
初始条件
在第 0 天的初始状态:
dp[0][0] = 0
:没有交易dp[0][1] = -prices[0]
:买入一次dp[0][2] = 0
:第一次交易完成,这实际上不可能在第0天完成,所以初始为0dp[0][3] = -prices[0]
:第二次购买,和第一次一样也在第0天是不可能的,所以初始为-prices[0]
dp[0][4] = 0
:这一状态表示真正完成两次卖出,这也在0天时不可能。
结果
最终希望的结果是最后一天的 dp[n-1][4]
,因为这是进行最多两次交易并且持仓为0的最大利润状态,即 dp[prices.size() - 1][4]
。
通过上面步骤逐步理解动态规划数组变化,每增加一天新状态会根据前一天的状态更新新最大利润。你可以通过再次运行程序结合此解释查看每天dp数组的变化,观察每个状态是如何更新的。这样有助于理解从开始到结束整个赚取最大利润的过程。
输入 prices = [3,3,5,0,0,3,1,4]
标准输出
Day 0: 0 -3 0 -3 0
Day 1: 0 -3 0 -3 0
Day 2: 0 -3 2 -3 2
Day 3: 0 0 2 2 2
Day 4: 0 0 2 2 2
Day 5: 0 0 3 2 5
Day 6: 0 0 3 2 5
Day 7: 0 0 4 2 6
初始状态(第0天)
- 价格是 3。
dp[0][0] = 0
: 无交易且无持股。dp[0][1] = -prices[0] = -3
: 第一次买入。dp[0][2] = 0
: 第一次卖出,此时交易未发生。dp[0][3] = -prices[0] = -3
: 第二次买入,实际上不现实。dp[0][4] = 0
: 第二次卖出,交易未发生。
输出:
Day 0: 0 -3 0 -3 0
第1天
- 价格是 3。
dp[1][0] = dp[0][0] = 0
: 没有进行任何交易。dp[1][1] = max(dp[0][1], dp[0][0] - prices[1]) = max(-3, -3) = -3
: 保持持股或再次买入。dp[1][2] = max(dp[0][2], dp[0][1] + prices[1]) = max(0, 0) = 0
: 保持无持股或卖出。dp[1][3] = max(dp[0][3], dp[0][2] - prices[1]) = max(-3, -3) = -3
: 保持持股或再次买入。dp[1][4] = max(dp[0][4], dp[0][3] + prices[1]) = max(0, 0) = 0
: 保持无持股或卖出。
输出:
Day 1: 0 -3 0 -3 0
第2天
- 价格是 5。
dp[2][1] = max(dp[1][1], dp[1][0] - prices[2]) = max(-3, -5) = -3
: 保持持股或再次买入。dp[2][2] = max(dp[1][2], dp[1][1] + prices[2]) = max(0, 2) = 2
: 保持无持股或卖出。dp[2][3] = max(dp[1][3], dp[1][2] - prices[2]) = max(-3, -5) = -3
: 保持持股或再次买入。dp[2][4] = max(dp[1][4], dp[1][3] + prices[2]) = max(0, 2) = 2
: 保持无持股或卖出。
输出:
Day 2: 0 -3 2 -3 2
第3天
- 价格是 0。
dp[3][1] = max(dp[2][1], dp[2][0] - prices[3]) = max(-3, 0) = 0
: 买入时成本降低。dp[3][2] = max(dp[2][2], dp[2][1] + prices[3]) = max(2, -3) = 2
: 无持股(收益不变)。dp[3][3] = max(dp[2][3], dp[2][2] - prices[3]) = max(-3, 2) = 2
: 买入时成本降低。dp[3][4] = max(dp[2][4], dp[2][3] + prices[3]) = max(2, -3) = 2
: 无持股(收益不变)。
输出:
Day 3: 0 0 2 2 2
第4天
- 价格是 0。
dp[4][1] = max(dp[3][1], dp[3][0] - prices[4]) = max(0, 0) = 0
: 无变化。dp[4][2] = max(dp[3][2], dp[3][1] + prices[4]) = max(2, 0) = 2
: 无变化。dp[4][3] = max(dp[3][3], dp[3][2] - prices[4]) = max(2, 2) = 2
: 无变化。dp[4][4] = max(dp[3][4], dp[3][3] + prices[4]) = max(2, 2) = 2
: 无变化。
输出:
Day 4: 0 0 2 2 2
第5天
- 价格是 3。
dp[5][1] = max(dp[4][1], dp[4][0] - prices[5]) = max(0, -3) = 0
: 无变化。dp[5][2] = max(dp[4][2], dp[4][1] + prices[5]) = max(2, 3) = 3
: 卖出获取利润。dp[5][3] = max(dp[4][3], dp[4][2] - prices[5]) = max(2, -1) = 2
: 无变化。dp[5][4] = max(dp[4][4], dp[4][3] + prices[5]) = max(2, 5) = 5
: 卖出获取利润。
输出:
Day 5: 0 0 3 2 5
第6天
- 价格是 1。
dp[6][1] = max(dp[5][1], dp[5][0] - prices[6]) = max(0, -1) = 0
: 无变化。dp[6][2] = max(dp[5][2], dp[5][1] + prices[6]) = max(3, 1) = 3
: 无变化。dp[6][3] = max(dp[5][3], dp[5][2] - prices[6]) = max(2, 2) = 2
: 无变化。dp[6][4] = max(dp[5][4], dp[5][3] + prices[6]) = max(5, 3) = 5
: 无变化。
输出:
Day 6: 0 0 3 2 5
第7天
- 价格是 4。
dp[7][1] = max(dp[6][1], dp[6][0] - prices[7]) = max(0, -4) = 0
: 无变化。dp[7][2] = max(dp[6][2], dp[6][1] + prices[7]) = max(3, 4) = 4
: 卖出获取更多的利润。dp[7][3] = max(dp[6][3], dp[6][2] - prices[7]) = max(2, -1) = 2
: 无变化。dp[7][4] = max(dp[6][4], dp[6][3] + prices[7]) = max(5, 6) = 6
: 卖出获取更多的利润。
输出:
Day 7: 0 0 4 2 6
总结:
- 最终在第7天,
dp[n-1][4] = dp[7][4] = 6
。我们进行了最高利润的两次交易操作,最大利润为6
这个动态规划的精髓在于通过状态转移方程,逐步积累并比较每一天的最大可能利润,以最优子结构为基础,构建整个问题的最优解,即在每次最多两次交易中最大化利润。