最近在MOOC学习浙大的数据结构课 ,第一章的最大子列和问题描述如下:
给定K个整数组成的序列{ N1, N2, …, NK },“连续子列”被定义为{ Ni, Ni+1, …, Nj },其中 1≤i≤j≤K。“最大子列和”则被定义为所有连续子列元素的和中最大者。例如给定序列{ -2, 11, -4, 13, -5, -2 },其连续子列{ 11, -4, 13 }有最大的和20。计算给定整数序列的最大子列和。最大子列和有很多应用,例如求如何购买抛售股票获得最大利润,可以把相邻两天买入抛出的股价差求出来,转换成最大子列和问题。
输入格式:
输入第1行给出正整数K (≤100000);第2行给出K个整数,其间以空格分隔。
输出格式:
在一行中输出最大子列和。如果序列中所有整数皆为负数,则输出0。
输入样例:
6
-2 11 -4 13 -5 -2
输出样例:
20
暴力求解
设置两层循环,第一层遍历整个数组,第二层求每一次的子列和,时间复杂度为O(n²)。
int MaxSubseqSum2(int A[], int N){
int ThisSum, MaxSum = 0;
int i, j;
for(i=0; i<N; i++){
ThisSum = 0;
for(j=i; j<N; j++){
ThisSum += A[j];
if (ThisSum >= MaxSum) {
MaxSum = ThisSum;
}
}
}
return MaxSum;
}
分治法
继续考虑能否提升算法效率,于是采用分治法。我们有一个很复杂的大问题,很难直接解决它,但是我们发现可以把问题划分成子问题,如果子问题规模还是太大,并且它还可以继续划分,那就继续划分下去。直到这些子问题的规模已经很容易解决了,那么就把所有的子问题都解决,最后把所有的子问题合并,我们就得到复杂大问题的答案了。可能说起来简单,但是仍不知道怎么做,接下来分析这个问题,将整个序列从中分为左右两个子序列,最大子列和只有三种情况:
- 所求序列完全包含在左半部分的序列中。
- 所求序列完全包含在右半部分的序列中。
- 所求序列刚好横跨分割点,即左右序列各占一部分。
求左右子列和方法类似,递归不断减小问题规模,直到只剩一个数字,返回自身即可,如果是负数就返回零;跨越中点的序列和怎么求呢?可以从中点向左遍历,直到遍历完整个左边,右边同理,两者相加就是跨越中点的子列和。
int Max3( int A, int B, int C )
{ /* 返回3个整数中的最大值 */
return A > B ? A > C ? A : C : B > C ? B : C;
return A > B ? A > C ? A : C : B > C ? B : C;
}
int DivideAndConquer( int List[], int left, int right )
{ /* 分治法求List[left]到List[right]的最大子列和 */
int MaxLeftSum, MaxRightSum; /* 存放左右子问题的解 */
int MaxLeftBorderSum, MaxRightBorderSum; /*存放跨分界线的结果*/
int LeftBorderSum, RightBorderSum;
int center, i;
if( left == right ) { /* 递归的终止条件,子列只有1个数字 */
if( List[left] > 0 ) return List[left];
else return 0;
}
/* 下面是"分"的过程 */
center = ( left + right ) / 2; /* 找到中分点 */
/* 递归求得两边子列的最大和 */
MaxLeftSum = DivideAndConquer( List, left, center );
MaxRightSum = DivideAndConquer( List, center+1, right );
/* 下面求跨分界线的最大子列和 */
MaxLeftBorderSum = 0; LeftBorderSum = 0;
for( i=center; i>=left; i-- ) { /* 从中线向左扫描 */
LeftBorderSum += List[i];
if( LeftBorderSum > MaxLeftBorderSum )
MaxLeftBorderSum = LeftBorderSum;
} /* 左边扫描结束 */
MaxRightBorderSum = 0; RightBorderSum = 0;
for( i=center+1; i<=right; i++ ) { /* 从中线向右扫描 */
RightBorderSum += List[i];
if( RightBorderSum > MaxRightBorderSum )
MaxRightBorderSum = RightBorderSum;
} /* 右边扫描结束 */
/* 下面返回"治"的结果 */
return Max3( MaxLeftSum, MaxRightSum, MaxLeftBorderSum + MaxRightBorderSum );
}
int MaxSubseqSum3( int List[], int N )
{ /* 保持与前2种算法相同的函数接口 */
return DivideAndConquer( List, 0, N-1 );
}
分治法的递归深度为logn,时间复杂度为O(nlogn),空间复杂度为O(nlogn)。
在线处理
继续优化算法,在线处理的意义就在于在任一点终止输入都会得到当前的输出值。在线处理的时间复杂度达到了最优O(n)。
int MaxSubseqSum4(int A[], int N){
int ThisSum, MaxSum, i;
ThisSum = MaxSum = 0;
for (i = 0; i < N; i++) {
ThisSum += A[i];
if (ThisSum < 0)
ThisSum = 0;//当前和为负数,表明只会使后面的和越来越小,直接舍去
else if (ThisSum > MaxSum)
MaxSum = ThisSum;//更新最大和
}
return MaxSum;
}
测试的main函数如下:
#include <stdio.h>
#include <time.h>
#include <stdlib.h>
#include "MaxSunseqSum2.h"
#include "MaxSubseqSum3.h"
#include "MaxSubseqSum4.h"
#define MAXN 100000//定义数组最大长度
//计算程序运行时间
clock_t start, finish;
double duration;
int main(){
srand(time(NULL));//生成随机数种子
int N;
int A[MAXN] = {0};
scanf("%d", &N);
for (int i=0; i<N; i++) {
A[i] = (rand()%(N+1)-N/2);//随机生成整数给数组赋值
}
start = clock();
for (int i=0; i<N; i++) {
printf("%d ", A[i]);
}
printf("\n最大子列和:%d\n", MaxSubseqSum4(A, N));
finish = clock();
duration = (double)(finish-start)/CLOCKS_PER_SEC;
printf("耗时%lf秒\n", duration);
return 0;
}