通过leetcode上的几道经典的股票问题,我们由浅入深地认识到动态规划的精妙之处,下面我们来复盘一下股票问题的解题思路,看我们是如何抽丝剥茧,一步一步地逼近正确思路,迎来柳暗花明的。
首先还是老生常谈的问题:遇到动态规划问题,首先思考【状态】和【选择】的问题。
在股票系列问题中,最初拿到题目时不要慌,再复杂的问题都是有套路可循的,若要用动态规划,我们首先要思考其【状态】,再说的通俗一点就是【变量】,看问题中哪些量是变化的,在此题中是“天数” “交易次数” “股票的持有状态”。那么怎样寻找状态转移呢?此时我们要知道所谓【状态转移】是和【选择】形影不离的,做出【选择】后自然迎来【状态变化】,那么在此问题中【选择】就是“买入”或“卖出”股票或者“观望(不买也不卖)”
下面贴上顺藤摸瓜的思路:
顺着这样的思路便可将股票系列问题一网打尽。
下面再贴上股票系列问题(K=2)的代码:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int n=prices.size(),K=2;
if(n==0)
return 0;
vector<vector<vector<int> > >dp(n,vector<vector<int> >((K+1),vector<int>(2)));
for(int i=0;i<n;i++){
for(int k=2;k>=1;k--){
if(i-1==-1){
dp[i][k][0]=0;
dp[i][k][1]=-prices[i];
continue;
}
dp[i][k][0]=max(dp[i-1][k][0],dp[i-1][k][1]+prices[i]);
dp[i][k][1]=max(dp[i-1][k][1],dp[i-1][k-1][0]-prices[i]);
//这里着重说一下dp[i-1][k-1][0]是怎么来的,注意我们在写代码之前
//一定要清楚dp数组的含义,这里我们的dp[i][K][0]是指第i天,
//总共交易次数为K且未持有股票,那么因为我们定义买入时操作算一次
//交易,所以在dp[i][k][1]=max(dp[i-1][k][1],dp[i-1][k-1][0]-prices[i]);
//这次状态变化中,这一天的持有股票状态若由前一天未持有而今天
//又买入转化而来,则说明今天一定是进行了一次交易,而到今天为止
//允许的最大交易次数为K,那么昨天允许的最大交易次数就一定为k-1(因为今天进行了一次交易,所以必须必昨天多一次交易机会)
}
}
return dp[n-1][K][0];
}
};
这里还要注意状态转移方程写好后,接下来就是穷举所有状态(所以这道题目中多加了一个for循环来穷举K,否则就睡得到错误的解答)。