动态规划与例题

算法-动态规划

动态规划法是由美国数学家R.E.Bellman等人在研究多阶段决策过程的优化问题，提出了最优性原理，同时把多阶问题转换为多个单阶段问题，利用单阶段问题之间的关系，逐渐求解的方法。

动态规划法适用于满足最优性原理和重叠子问题的问题。其中最优性原理指的是该问题的最优解也包含子问题的最优解；重叠子问题指的是可以将原问题分解成若干个有关系的子问题。

例题1：最大子序和
给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。
示例 ：
输入：nums = [-2,1,-3,4,-1,2,1,-5,4]
输出：6
解释：连续子数组 [4,-1,2,1] 的和最大，为 6 。
来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/maximum-subarray

对于这道题的解法，其实是有好多种的，无论是简单的暴力解决，还是再进一步的分治法，都可以解决。我们这里就用动态规划法来解决。这道题是一道非常经典的动态规划问题，首先我们将问题分解，每一次都求以第i位结尾的序列和，然后判断是否加入第i+1位，如果加入后的和比第i+1位原本的值大，那就以加入后的和为候选值，否则就以第i+1位开始重新计算。

class Solution {
   
public:
    int maxSubArray(vector<int>& nums) {
   
        int maxNums=0,ans=nums[0];//maxNums记录当前最大的子序列和，ans记录结果
        for(const auto &x:nums){
   
            maxNums=max(maxNums+x,x);
            ans=max(maxNums,ans);
        }
        return ans;
    }
};

例题2：买卖股票最佳时机
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。
来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock

对于这道题，我们需要知道的是，可以将问题分解成在第每个（0，i）之间找到最小值，然后去找i后面任何与i差值最大的值，最后再取其中最大的差值。所以我们可以从0开始，遍历n次就可以，即时间复杂度为O(n)。

class Solution {
   
public:
    int maxProfit(vector<int>& prices) {
   
        int min=10000;
        int maxPrices=0;
        for(const auto &x:prices){
   
            if(x<min){
   
                min=x;
            }else if(x-min>maxPrices){
   
                maxPrices=x-min;
            }
        }
        return maxPrices;
    }
}