JAVA代码编写
309.最佳买卖股票时机含冷冻期
给定一个整数数组prices
,其中第 prices[i]
表示第 i
天的股票价格 。
设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):
- 卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
**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 = [1,2,3,0,2]
输出: 3
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]
示例 2:
输入: prices = [1]
输出: 0
提示:
1 <= prices.length <= 5000
0 <= prices[i] <= 1000
方法一:动态规划
**思路:**多次买卖,进行下一笔交易之前,要把上一笔卖出,增加了卖出之后一天的冷冻期。
五部曲
1.定义数组
dp[i] [j],第i天状态为j,所剩的最多现金为dp[i] [j]。
其实本题很多同学搞的比较懵,是因为出现冷冻期之后,状态其实是比较复杂度,例如今天买入股票、今天卖出股票、今天是冷冻期,都是不能操作股票的。
具体可以区分出如下四个状态:
- 状态一:持有股票状态(今天买入股票,或者是之前就买入了股票然后没有操作,一直持有)
- 不持有股票状态,这里就有两种卖出股票状态
- 状态二:保持卖出股票的状态(两天前就卖出了股票,度过一天冷冻期。或者是前一天就是卖出股票状态,一直没操作)
- 状态三:今天卖出股票
- 状态四:今天为冷冻期状态,但冷冻期状态不可持续,只有一天!
j的状态为:
- 0:状态一
- 1:状态二
- 2:状态三
- 3:状态四
2.确定递推公式
达到买入股票状态(状态一)即:dp[i] [0],有两个具体操作:
- 操作一:前一天就是持有股票状态(状态一),dp[i] [0] = dp[i - 1] [0]
- 操作二:今天买入了,有两种情况
- 前一天是冷冻期(状态四),dp[i - 1] [3] - prices[i]
- 前一天是保持卖出股票的状态(状态二),dp[i - 1] [1] - prices[i]
那么dp[i] [0] = max(dp[i - 1] [0], dp[i - 1] [3] - prices[i], dp[i - 1] [1] - prices[i]);
达到保持卖出股票状态(状态二)即:dp[i] [1],有两个具体操作:
- 操作一:前一天就是状态二
- 操作二:前一天是冷冻期(状态四)
dp[i] [1] = max(dp[i - 1] [1], dp[i - 1] [3]);
达到今天就卖出股票状态(状态三),即:dp[i] [2] ,只有一个操作:
昨天一定是持有股票状态(状态一),今天卖出
即:dp[i] [2] = dp[i - 1] [0] + prices[i];
达到冷冻期状态(状态四),即:dp[i] [3],只有一个操作:
昨天卖出了股票(状态三)
dp[i] [3] = dp[i - 1] [2];
综上分析,递推代码如下:
dp[i][0] = max(dp[i - 1][0], max(dp[i - 1][3], dp[i - 1][1]) - prices[i]);
dp[i][1] = max(dp[i - 1][1], dp[i - 1][3]);
dp[i][2] = dp[i - 1][0] + prices[i];
dp[i][3] = dp[i - 1][2];
3.dp数组如何初始化
如果是持有股票状态(状态一)那么:dp[0] [0] = -prices[0],一定是当天买入股票。
保持卖出股票状态(状态二),这里其实从 「状态二」的定义来说 ,很难明确应该初始多少,这种情况我们就看递推公式需要我们给他初始成什么数值。
如果i为1,第1天买入股票,那么递归公式中需要计算 dp[i - 1] [1] - prices[i] ,即 dp[0] [1] - prices[1],那么大家感受一下 dp[0] [1] (即第0天的状态二)应该初始成多少,只能初始为0。想一想如果初始为其他数值,是我们第1天买入股票后 手里还剩的现金数量是不是就不对了。
今天卖出了股票(状态三),同上分析,dp[0] [2]初始化为0,dp[0] [3]也初始为0。
4.确定遍历顺序:从前向后遍历
5.举例推导dp数组
以 [1,2,3,0,2] 为例,dp数组如下:
![309.最佳买卖股票时机含冷冻期](https://i-blog.csdnimg.cn/blog_migrate/67301d3d5983606a78f58ed6b67dd186.png)
复杂度分析:
- 时间复杂度: O ( n ) O(n) O(n)
- 空间复杂度:O(n)
class Solution {
public int maxProfit(int[] prices) {
int n = prices.length;
if (n == 0) return 0;
int[][] dp = new int[n][4];
dp[0][0] = -prices[0]; // 持股票
for (int i = 1; i < n; i++) {
dp[i][0] = Math.max(dp[i - 1][0], Math.max(dp[i - 1][3] - prices[i], dp[i - 1][1] - prices[i]));
dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][3]);
dp[i][2] = dp[i - 1][0] + prices[i];
dp[i][3] = dp[i - 1][2];
}
return Math.max(dp[n - 1][3], Math.max(dp[n - 1][1], dp[n - 1][2]));
}
public static void main(String[] args) {
Solution solution = new Solution();
solution.maxProfit(new int[]{1,2,3,0,2});
}
}
714.买卖股票的最佳时机含手续费
给定一个整数数组 prices
,其中 prices[i]
表示第 i
天的股票价格 ;整数 fee
代表了交易股票的手续费用。
你可以无限次地完成交易,但是你每笔交易都需要付手续费。如果你已经购买了一个股票,在卖出它之前你就不能再继续购买股票了。
返回获得利润的最大值。
**注意:**这里的一笔交易指买入持有并卖出股票的整个过程,每笔交易你只需要为支付一次手续费。
示例 1:
输入:prices = [1, 3, 2, 8, 4, 9], fee = 2
输出:8
解释:能够达到的最大利润:
在此处买入 prices[0] = 1
在此处卖出 prices[3] = 8
在此处买入 prices[4] = 4
在此处卖出 prices[5] = 9
总利润: ((8 - 1) - 2) + ((9 - 4) - 2) = 8
示例 2:
输入:prices = [1,3,7,5,10,3], fee = 3
输出:6
提示:
1 <= prices.length <= 5 * 104
1 <= prices[i] < 5 * 104
0 <= fee < 5 * 104
方法一:动态规划
**思路:**在122. 买卖股票的最佳时机 II的基础上,增加了交易手续费。
五部曲:
1.定义数组dp[i]:1-i天买卖股票的最大利润为dp[i]
2.递推公式
对于每一天 i,可以考虑前面某天 j 买入,第 i 天卖出的情况。因此,需要在所有可能的 j 中选择一个使得收益最大的买入日期,即 maxProfit = dp[j] + prices[i] - prices[j] - fee,然后更新 dp[i] = max(dp[i-1], maxProfit)。
3.dp数组如何初始化
dp[0] = 0,dp[1] = prices[1] - prices[0] - fee
4.遍历循序:从前向后
5.举例推导dp数组
以prices = [1, 3, 2, 8, 4, 9], fee = 2为例子
i | 0 | 1 | 2 | 3 | 4 | 5 |
---|---|---|---|---|---|---|
dp[i] | 0 | 0 | 0 | 5 | 5 | 8 |
复杂度分析:
- 时间复杂度: O ( n 2 ) O(n^2) O(n2)
- 空间复杂度:O(n)
class Solution {
public int maxProfit(int[] prices, int fee) {
if(prices.length==0||prices==null|| prices.length==1) return 0;
if (prices.length==2) {
if (prices[0]>prices[1]) {
return 0;
}else return prices[1]-prices[0]-fee;
}
int[] dp = new int[prices.length+1];
dp[0]=0;
dp[1]=prices[0] > prices[1] ? 0 : prices[1]-prices[0]-fee;
for (int i = 2; i < prices.length; i++) {
int maxProfit = 0;
for (int j = 0; j < i; j++) {
maxProfit = Math.max(maxProfit, dp[j] + prices[i] - prices[j] - fee);
}
dp[i] = Math.max(dp[i-1], maxProfit);
}
return dp[prices.length-1];
}
}
这段代码在力扣上超出时间限制
方法二:动态规划
思路:
- 初始化变量
cash
为0,表示初始状态下不持有股票时的最大利润。 - 初始化变量
hold
为第一天的股票价格的相反数,表示初始状态下持有股票时的最大利润。 - 从第二天开始遍历股票价格数组:
- 对于每一天i,通过比较前一天的
cash
和hold + prices[i] - fee
的大小,更新当天不持有股票时的最大利润cash
,其中hold + prices[i] - fee
表示在当天卖出股票后得到的利润。 - 同样,通过比较前一天的
hold
和cash - prices[i]
的大小,更新当天持有股票时的最大利润hold
,其中cash - prices[i]
表示在当天买入股票后的利润。
- 对于每一天i,通过比较前一天的
- 最后返回
cash
,即最终不持有股票时的最大利润。
复杂度分析:
- 时间复杂度: O ( n 2 ) O(n^2) O(n2)
- 空间复杂度:O(1)
class Solution {
public int maxProfit(int[] prices, int fee) {
int n = prices.length;
if (n < 2) return 0;
int cash = 0; // 表示当天不持有股票时的最大利润
int hold = -prices[0]; // 表示当天持有股票时的最大利润
for (int i = 1; i < n; i++) {
cash = Math.max(cash, hold + prices[i] - fee); // 在卖出股票和保持不动中选择收益更大的
hold = Math.max(hold, cash - prices[i]); // 在买入股票和保持不动中选择收益更大的
}
return cash;
}
}
股票问题做一个总结吧
https://programmercarl.com/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92-%E8%82%A1%E7%A5%A8%E9%97%AE%E9%A2%98%E6%80%BB%E7%BB%93%E7%AF%87.html